Cet article présente une méthode de résolution de problèmes NP-complets utilisant un modèle de diffusion basé sur l'optimisation combinatoire neuronale (NCO). Pour relever les défis des méthodes NCO existantes, notamment leur taille, leur généralisation inter-problèmes et leurs coûts d'apprentissage élevés, nous proposons DIFU-Ada, un cadre qui s'adapte dès l'étape d'inférence sans apprentissage. DIFU-Ada utilise des fonctions de guidage prédéfinies pour permettre la génération conditionnelle, le transfert inter-problèmes à zéro coup et la généralisation de la taille sans apprentissage supplémentaire. Nous comprenons la transférabilité inter-problèmes grâce à une analyse théorique et démontrons expérimentalement qu'un solveur de diffusion entraîné uniquement sur le problème du voyageur de commerce (TSP) atteint des performances compétitives en transfert à zéro coup sur des variantes de TSP telles que PCTSP et OP.
