tig-challenges-data

TIG Challenges Data 是一个用于组合优化挑战的基准数据集，旨在为学术研究提供稳定的基准实例和参考数据。数据集包含问题实例、已知最佳值参考数据、长期运行的汇总结果、收敛图以及解决方案文件。数据按挑战类型组织，包括背包问题（knapsack）、作业调度（job_scheduling）和车辆路径问题（vehicle_routing）。每个挑战类型下包含测试实例（`test/`目录）、参考最佳值（CSV文件）、长期运行摘要（CSV文件）、收敛图（PNG文件）和解决方案文件（`.solution`文件）。数据集适用于组合优化算法的开发和评估，提供标准化的基准测试环境。数据集采用MIT许可证，主要语言为英语，规模在10K到100K之间。

原始信息汇总

TIG Challenges Data 数据集概述

数据集基本信息

• 数据集名称：TIG Challenges Data
• 许可证：mit
• 主要语言：en
• 标签：optimization, benchmark, combinatorial-optimization, tig
• 数据规模：10K<n<100K

数据集目的与内容

本仓库为The Innovation Game (TIG)中使用的组合优化挑战提供基准实例、学术划分的参考目标数据以及长时间参考运行的产物（聚合摘要、收敛图和解决方案文件）。旨在作为一个稳定的平台，供用户下载基准并对照参考输出进行比较。

数据集结构

数据集包含以下挑战领域：knapsack、job_scheduling、vehicle_routing。每个挑战的数据组织如下：

1. 实例

• 位置：<challenge>/test/目录下。
• 内容：academic/（文献集合）和tig/（TIG赛道）子目录中的*.txt问题文件。

2. 已发布的最优已知值（学术）

• 位置：与实例文件并列的CSV文件。
• 示例：
  • knapsack/test/academic/standard-QKP/standard_qkp_bks.csv
  • job_scheduling/test/academic/bks.csv
  • vehicle_routing/test/academic/bks.csv
  • 其他背包问题学术划分对应的BKS CSV文件。

3. 长时间运行摘要

• 位置：<challenge>/results/summary_long_run_v*.csv文件。
• 内容：来自已发布挑战的参考运行的汇总指标。

4. 收敛图

• 位置：<challenge>/results/plots/*.png文件。
• 内容：运行产生的图表（例如，平均差距随时间变化图）。

5. 解决方案

• 位置：<challenge>/results/solutions/目录。
• 内容：
  • 最终的.solution文件。
  • 可选的时间戳快照文件（.solution.<seconds>）。
  • 文件布局镜像test/下的对应实例路径。
  • 导出的runs.csv文件（如存在）。

相关资源

• 求解器代码、格式及运行/评估指南位于：tig-foundation/tig-challenges。本仓库仅存储数据和已发布的运行输出。
• 数据集访问地址：https://huggingface.co/datasets/tig-foundation/tig-challenges-data

引用格式

bibtex @misc{tig-challenges-2026, title={TIG Challenges: Benchmarks for AI-Driven Algorithm Discovery}, author={{TIG Foundation}}, year={2026}, url={https://huggingface.co/datasets/tig-foundation/tig-challenges-data} }

搜集汇总

数据集介绍

构建方式

在组合优化领域，TIG Challenges Data的构建遵循严谨的学术基准设定原则。该数据集通过系统性地收集和整理经典文献中的标准问题实例，如标准二次背包问题，并结合The Innovation Game竞赛平台所设计的专属赛道实例，共同构成了其核心测试集。每个挑战领域下的实例文件均以文本格式存储，并辅以公开发表的最佳已知目标值CSV文件作为权威参考，确保了基准数据的完整性与可验证性。此外，数据集还包含了来自长期参考运行所生成的聚合摘要、收敛曲线图以及详细解文件，这些内容共同为算法性能评估提供了稳定且可复现的数据基础。

特点

该数据集的核心特点在于其作为组合优化领域基准测试资源的全面性与结构化设计。它涵盖了背包问题、作业调度和车辆路径规划三大经典挑战，每个挑战下均细分为学术文献集与TIG专属轨道，从而兼顾了传统基准与前沿竞赛需求。数据集不仅提供了原始的测试实例，还附带了公开发表的最佳已知解参考值、长期运行的性能汇总指标以及可视化的收敛过程图示，形成了从问题定义到性能评估的完整证据链。这种多层次的数据组织方式，使得研究者能够进行深入的算法比较与分析，推动了AI驱动算法发现领域的标准化进程。

使用方法

研究者可通过克隆该数据集在Hugging Face平台上的代码仓库来获取全部资源。使用流程始于从特定挑战目录下的`test/`文件夹中加载问题实例文件，并参照同目录下的最佳已知值CSV文件确立评估基准。为了进行算法性能对比，用户可以进一步查阅`results/`目录下的长期运行摘要CSV文件以获取聚合统计数据，或分析收敛曲线图来洞察算法动态行为。最终解文件存储于结构化的`solutions/`路径下，便于与自研算法的输出进行逐实例比对，从而完成严谨的基准测试与验证工作。

背景与挑战

背景概述

组合优化作为运筹学与计算机科学交叉领域的核心分支，长期致力于在离散结构中找到满足约束条件的最优解，其应用遍及物流调度、资源分配与生产规划等关键工业场景。TIG Challenges Data数据集由TIG基金会于2026年创建，旨在为算法创新提供一套标准化的基准测试平台，聚焦于背包问题、作业调度与车辆路径规划三大经典组合优化挑战。该数据集通过整合学术界公认的测试实例与长期参考运行结果，为评估人工智能驱动的优化算法性能建立了严谨的实证基础，推动了自动化算法发现领域的方法论比较与技术进步。

当前挑战

在组合优化领域，核心挑战在于高效求解NP难问题，这类问题随着规模扩展示例空间呈指数级增长，传统精确算法往往面临计算复杂度爆炸的困境。TIG Challenges Data所针对的背包、调度与路径问题正是此类难题的典型代表，要求算法在有限时间内平衡解的质量与计算资源消耗。数据集的构建过程同样遭遇多重挑战：需确保测试实例既覆盖经典文献中的标准集合，又能反映现实应用中的复杂约束；同时，生成可靠的参考目标值与长期收敛数据要求进行大量计算密集型实验，并对结果进行严格验证与标准化归档，以保障基准的公正性与可复现性。

常用场景

实际应用

在实际应用层面，TIG Challenges Data 支撑了物流规划、资源分配和供应链管理等关键行业的决策优化。例如，车辆路径规划实例可用于设计高效的配送路线，作业调度数据能优化生产线的任务排序，背包问题则有助于资产配置和投资组合选择。这些应用通过算法求解大幅提升了运营效率并降低了成本。

衍生相关工作

围绕该数据集已衍生出一系列经典研究工作，主要集中在启发式算法、元启发式框架以及机器学习与优化结合的混合方法上。许多研究利用其提供的收敛图和解决方案文件，深入分析了算法在复杂约束下的行为特性。这些工作不仅拓展了组合优化的前沿，也为TIG挑战赛的持续演进奠定了坚实的学术基础。