[论文解读] Tensor Network Generator-Enhanced Optimization for Traveling Salesman Problem

Ryo Sakai, Chen-Yu Liu|arXiv (Cornell University)|Feb 12, 2026

Tensor decomposition and applications被引用 0

一句话总结

TN-GEO 使用张量网络 Born 机配合自回归掩码来生成有效的 TSP 路线，并通过带有温度调度的 GEO 对解的分布进行迭代优化，在 TSPLIB 的多组实例中优于经典启发式方法（最多 52 城市）。

ABSTRACT

We present an application of the tensor network generator-enhanced optimization (TN-GEO) framework to address the traveling salesman problem (TSP), a fundamental combinatorial optimization challenge. Our approach employs a tensor network Born machine based on automatically differentiable matrix product states (MPS) as the generative model, using the Born rule to define probability distributions over candidate solutions. Unlike approaches based on binary encoding, which require $N^2$ variables and penalty terms to enforce valid tour constraints, we adopt a permutation-based formulation with integer variables and use autoregressive sampling with masking to guarantee that every generated sample is a valid tour by construction. We also introduce a $k$-site MPS variant that learns distributions over $k$-grams (consecutive city subsequences) using a sliding window approach, enabling parameter-efficient modeling for larger instances. Experimental validation on TSPLIB benchmark instances with up to 52 cities demonstrates that TN-GEO can outperform classical heuristics including swap and 2-opt hill-climbing. The $k$-site variants, which put more focus on local correlations, show better results compared to the full-MPS case.

研究动机与目标

• 动机：利用量子灵感的张量网络解决组合优化问题，特别是 TSP 的潜力。
• 目标：开发一个保持排列准确性的生成模型，避免二进制编码和惩罚项。
• 方法：引入 k-站点 MPS 变体，以高效建模局部 k-gram，并实现可扩展的学习。
• 整合 GEO 与温度调度，迭代细化解的分布。
• 基于 TSPLIB 实例对 TN-GEO 与经典爬山法进行经验基准评估。

提出的方法

• 将 TSP 拓扑表示为长度为 N 的整数城市序列 x1,...,xN，其中 xk ∈ {0,...,N-1}。
• 使用矩阵乘积态 (MPS) Born 机通过 Born 规则建模 P(x)，并通过自回归掩码进行采样以保证有效的路线。
• 通过 Generator-Enhanced Optimization (GEO) 进行训练，匹配由路程成本导出的有限温度 softmax 目标分布，使用指数温度调度。
• 采用带掩码的自回归采样程序，在不进行拒绝采样的情况下强制置换约束。
• 引入 k-站点 MPS 变体，利用滑动窗口学习关于 k-grams（局部子序列）的分布，实现参数高效建模。
• 使用自动微分 (AD) 而非 DMRG 来训练 MPS，并与 DMRG 风格的更新进行比较。

实验结果

研究问题

• RQ1 一个基于排列的 MPS Born 机是否能够在没有惩罚项的情况下高效生成有效的 TSP 路线？
• RQ2 带温度调度的 GEO 是否相较于经典爬山启发式在 TSP 上有改进？
• RQ3 键维度 (bond dimension) 如何影响 TN-GEO 的样本质量与优化结果？
• RQ4 中间的 k-站点 MPS (k < N) 是否在表达能力与计算效率之间提供有利权衡？
• RQ5 在 TSPLIB 实例（约 50 城市）上，TN-GEO 的扩展性如何？

主要发现

• 带自回归掩码的 TN-GEO 能按结构生成有效的路线，避免了拒绝采样。
• 增大键维度提升 MPS 近似 softmax 目标分布和样本更短路线的能力。
• 在小型实例中，TN-GEO 能达到或接近最优路线；在较大实例中，k=4 或 k=8 的 k-站点变体始终达到最优路线并优于 swap 与 2-opt 基线。
• 中等规模的 k-站点模型在表达能力与效率之间取得平衡，在若干 TSPLIB 实例上优于全 MPS 和过贫的 k=2 模型。
• 在 TSPLIB 实例（14–52 城市）中，TN-GEO 的 k=2、k=4、k=8 对若干小/中等实例实现 0% 缺口，并超越经典爬山法；对于较大实例（att48、eil51、berlin52），k=4 与 k=8 达到最优路线，而全 MPS 有时表现不佳。
• 研究表明局部 k-gram 相关性在近似最优的 TSP 路线中起主导作用，受限的表达能力也能在 GEO 中提升探索。