用于整数规划的自回归可微方法

研究人员提出一种求解 0-1 整数规划的自回归可微方法，利用 Transformer 架构在保持可行解的同时逐位预测二进制变量。该方法结合拉格朗日惩罚项与 Gumbel-softmax 激活探索松弛目标，借助连续权重映射实现类似隧道效应的势垒跨越。在非凸二次背包问题测试中，其在规模达 10,000 个二进制变量的稠密问题上持续优于 SOTA 开源求解器。