RELAGRAM
一种将潜递归机制应用于图组合优化的神经网络模型，以边令牌编码为核心，通过反复递归更新潜表示生成边热力图，用于求解带容量约束的车辆路径问题（CVRP）。
时间轴 (近 90 天)
RELAGRAM（Recursive Latent Graph Model，递归潜图模型）首次将潜递归引入图组合优化领域，专门针对带容量约束的车辆路径问题（CVRP）进行求解。
RELAGRAM 将 CVRP 实例编码为边令牌（Edge Tokens），使用小型 Transformer 网络反复更新边令牌的潜表示。
RELAGRAM 的参数量仅为 0.53M。
在 CVRP-100 基准上，RELAGRAM 相对 PyVRP 的差距为：贪心解码 13.4%，八重对称增强 9.8%，256 候选搜索 8.3%。
RELAGRAM 仅在 CVRP-100 上训练，却能零样本泛化到 CVRP-500（256 候选搜索下差距 15.6%）和 CVRP-1000（256 候选搜索下差距 21.7%）。
RELAGRAM 的递归迭代复用同一组网络参数，输出头将最终答案状态映射为边热力图，再通过自回归解码器构造满足容量约束的可行解。
RELAGRAM 当前在 CVRP-1000 上的 21.7% 差距仍然较大，距离实用部署还有距离。
该工作目前仅在 CVRP 上验证，潜递归能否同样有效处理 VRPTW、PDP 等更复杂的路由变体尚待探索。
RELAGRAM 的边令牌编码不绑定节点总数，递归 Transformer 的参数量与实例规模无关，使其能实现跨规模迁移。
全部知识事实 (9)
RELAGRAM（Recursive Latent Graph Model，递归潜图模型）首次将潜递归引入图组合优化领域，专门针对带容量约束的车辆路径问题（CVRP）进行求解。
50%待验证RELAGRAM 将 CVRP 实例编码为边令牌（Edge Tokens），使用小型 Transformer 网络反复更新边令牌的潜表示。
50%待验证RELAGRAM 的参数量仅为 0.53M。
50%待验证在 CVRP-100 基准上，RELAGRAM 相对 PyVRP 的差距为：贪心解码 13.4%，八重对称增强 9.8%，256 候选搜索 8.3%。
50%待验证RELAGRAM 仅在 CVRP-100 上训练，却能零样本泛化到 CVRP-500（256 候选搜索下差距 15.6%）和 CVRP-1000（256 候选搜索下差距 21.7%）。
50%待验证RELAGRAM 的递归迭代复用同一组网络参数，输出头将最终答案状态映射为边热力图，再通过自回归解码器构造满足容量约束的可行解。
50%待验证RELAGRAM 当前在 CVRP-1000 上的 21.7% 差距仍然较大，距离实用部署还有距离。
50%待验证该工作目前仅在 CVRP 上验证，潜递归能否同样有效处理 VRPTW、PDP 等更复杂的路由变体尚待探索。
50%待验证RELAGRAM 的边令牌编码不绑定节点总数，递归 Transformer 的参数量与实例规模无关，使其能实现跨规模迁移。
50%