巡回セールスマン問題（TSP）は、すべての都市を一度だけ訪問して出発地に戻る最短経路を求める古典的な組み合わせ最適化問題です。近年、ニューラルネットワークを用いた非自己回帰的ソルバーが注目されており、これらは単一の前向きパスで各辺の信頼度を示すヒートマップを予測します。しかし、このヒートマップから実行可能なハミルトン閉路を生成するデコーダの性能が、問題の規模が大きくなるにつれて課題となります。インスタンスサイズが増大すると、二次関数的に増加する辺スコアをグローバルな巡回制約と調和させる必要があるのです。 従来のアプローチでは、貪欲な辺マージングは高速で確定的ですが低品質の巡回路しか生成できません。一方、k-opt移動に対するモンテカルロ木探索（MCTS）はより良い巡回路を得られますが、計算コストが高く、予測器ごとに調整が必要でした。本研究が提案するHeatACOは、予測器に依存しないヒートマップ・ツアーデコーダです。その核心は、上限付き・次数認識証拠係数を備えたマックス・ミンアリシステム（MMAS）にヒートマップを統合する手法にあります。この係数は各ノードの巡回次数容量を超える辺信頼度のみに報酬を与え、その強度はフェロモン動的範囲から自動的にスケーリングされるため、異なる予測器からのヒートマップを再学習や予測器固有の調整なしに処理できます。 4つのヒートマップソースにわたる評価において、HeatACOはMCTSベースラインと比較してTSP500、TSP1K、TSP10Kでより高品質な解をより短いデコード時間で生成しました。同じ探索予算を持つ標準MMASベースラインとの比較でも、ヒートマップ誘導は全ての予測器で構築を改善し、局所探索でも有益です。さらに、複数の分布シフトや非対称TSP（ATSP）への転移学習においても競争力のある性能を示しています。事後分析により、観測された性能変動に関連した測定可能なヒートマップ特性が特定されました。