本文针对覆盖整数规划问题提出了基于随机取整与修改的简单算法来改进其逼近度，并证明了近似度几乎是最优的，并且在没有失去逼近保证或效率的情况下可以去随机化，同时也提出了一种基于强化的线性规划近似方案，其运行时间比之前的最优解快 n 倍。这两个算法的组合使得本文提出的覆盖整数规划问题算法在近乎线性的时间内得到准确的结果。

Jul, 2018

本文研究在线问题中的线性规划问题，提出了解决混合 packing 和 covering 约束线性规划在线问题的算法，并应用于两个与机器调度和设施定位相关的问题，得到了多项式对数竞争积分解决方案。

Mar, 2012

本研究通过整数规划方案和贪心算法等方法，从离散数据中学习 Bayesian 网络，在实验结果中取得了和之前相比有着巨大的改进。

Sep, 2013

本文介绍了在线随机凸规划问题，提出了针对此问题的快速算法，并在这些算法中使用了原始对偶算法，实现了最优竞争比率和接近最优的后悔保证。

Oct, 2014

通过扩展冲突驱动子句学习技术，本文使用基于整数线性规划方法处理复杂的实际问题，并讨论该方法在优化方面的潜在改进。

Feb, 2024

证明了对于约束满足问题的近似版本，线性规划松弛的规模存在超多项式下界，并且对于这些问题，多项式大小的线性规划方案与一定轮数的 Sherali-Adams 层次中产生的方案具有相同的能力；具体来说，最大割的多项式大小线性规划的可积性差可能性上界为 1/2，而最大三种满足问题的多项式大小线性规划则可能性上界为 7/8。

Sep, 2013

本文研究线性规划、近似算法和贪心算法在解决混合装箱和覆盖问题方面的应用，并提出一种可行的贪心算法，该算法复杂度为 O (epsilon^-2 log m) 线性时间迭代，且结论推广了之前的研究结果。

May, 2002

该研究介绍了一种新的决策集中学习方法，可以优化预测模型，支持将问题编码为混合整数线性规划，并使用割平面算法求解。实验结果表明，该方法在多个实际领域中的性能优于现有方法。

Jul, 2019

本文研究了一种统一的框架方法用于解决一类混合整数优化问题，通过对其逻辑约束进行非线性方式的表达，结合规则化条件及基于混合精度算法，形成了凸二进制优化问题，并利用一种综合的数字策略方法解决问题。

Jul, 2019

在这项工作中，我们旨在将整数规划求解器整合到神经网络架构中作为能够学习成本项和约束项的层，以便从原始数据中提取特征并使用最先进的整数规划求解器解决适当的（经过学习的）组合问题。该结果的端到端可训练架构以综合性能分析在合成数据上演示，且在竞争性计算机视觉关键点匹配基准上有展示其潜力。

May, 2021