HypOp 超图神经网络求解器

高阶约束分布式求解

面向高阶约束组合优化问题，通过超图神经网络与分布式训练架构，实现可扩展且可迁移的求解。

Xiaodi, Li · Jianfeng, Gui · 学位 · Baochuan, Wang · Kai, Chen · Wei, Pijing · 夏俊峰 · 岳振宇

Nature Machine Intelligence 2025

技术优势

可迁移到不同问题

在最大团问题和二次分配问题上验证了可迁移性，说明该求解器不限于原论文中的问题类型。

支持多GPU分布式训练

复现实验考察了 GPU 数量、分布式划分策略和微调方法的影响，证明了分布式训练架构的可行性。

提供实用指南

论文给出了将该方法有效应用于多个组合优化问题的实践指导，降低了使用门槛。

应用场景

• 组合优化：直接求解高阶约束组合优化问题，替代传统二次成本近似。
• 分布式资源调度：利用分布式训练架构处理大规模调度任务，提升可扩展性。
• 机器人路径规划：可将路径规划建模为组合优化问题，借助超图神经网络求解。
• 工程约束优化：处理工程中带高阶约束的优化问题，不限于二次成本函数。