【学习型搜索与启发式算法（Learning-Based Search & Heuristics）】 第 2 讲：问题建模与图表示

目标读者：算法研究者、运筹优化工程师、ML4CO 入门者
读完本讲你将能回答：

1. 为什么同一个组合优化问题可以有不同的图表示？
2. 节点特征、边特征、全局特征分别应该承载什么信息？
3. GNN 为什么适合组合优化，但为什么又不能只靠 GNN？
4. 从 Pointer Network 到 Transformer，序列视角和图视角如何共存？

1. 为什么表示是学习型启发式的第一道分水岭

第一讲已经说明：学习型启发式的价值，不在于“把问题换成神经网络”，而在于把搜索决策变成可学习的映射。这一讲要回答一个更前置的问题：模型到底在看什么？

同样是 TSP，把城市看成“一维输入序列”和把城市看成“一张带权完全图”，会让模型学到完全不同的东西。序列视角强调访问顺序，图视角强调距离关系和邻域结构。二者没有绝对优劣，但决定了模型能发现什么规律、会丢失什么信息。

因此，问题建模不是预处理，而是算法设计的一部分。一个坏表示会让强大的 GNN 学到错误模式；一个好的表示可以让简单的线性模型也具有竞争力。

2. 组合优化问题的图建模：四种图视角

组合优化问题可以抽象成决策对象、约束关系和目标函数三部分。图建模的关键，是把这三部分映射成节点、边和全局属性。