La recherche PLUME est un framework piloté par les données qui améliore l'efficacité de la recherche dans les problèmes d'optimisation combinatoire grâce à l'apprentissage non supervisé. Contrairement à l'apprentissage supervisé ou par renforcement, elle utilise une approche non autorégressive pour apprendre directement à partir des instances du problème via une fonction de perte basée sur la permutation. Dans cet article, nous évaluons ses performances sur le problème d'affectation quadratique, un problème NP-difficile fondamental englobant divers problèmes d'optimisation combinatoire. Les résultats expérimentaux démontrent que la recherche PLUME améliore systématiquement la qualité des solutions. Nous étudions également si le modèle appris se généralise à différentes densités et tailles.
