高维约束组合优化问题的可扩展求解是多个科学和工程学科中出现的挑战。最近的工作介绍了图神经网络在求解二次成本组合优化问题方面的新应用。然而，有效利用图神经网络等模型来解决具有高阶约束的一般问题是一个尚未解决的挑战。本文提出了一个框架HypOp，该框架在几个方面推进了解决组合优化问题的最新技术：（1）它通过利用超图神经网络将先前结果推广到具有任意成本函数的高阶约束问题;（2）通过引入新的分布式和并行训练架构，它能够扩展到更大的问题;（3）它通过在同一超图中转移知识来证明不同问题表述的泛化性;（4）与现有技术相比，通过建议使用模拟退火进行微调步骤，大大提高了求解精度;（5）它在许多基准测试示例上显示出显着的进步，包括超图MaxCut、满足性和资源分配问题，使用微调和分布式训练技术的组合，运行时得到了显着的改进。我们通过求解国家药品代码药物-物质超图上的超图 MaxCut 问题，展示了 HypOp 在科学发现中的应用。通过对各种优化问题的广泛实验，HypOp 证明了优于现有的基于无监督学习的求解器和通用优化方法。