本文提出了一种本地搜索算法来解决实际大规模图上的最小顶点覆盖问题，其利用简化规则和数据结构来提高算法效率，并在各种真实世界的大规模图上进行了实验，结果显示比 MinVC 领域最好的本地搜索算法表现更好，也提供了一些关于一些知名启发式算法复杂度的有趣结果。

Sep, 2015

提出了一种名为 Sufficient Multi-View Clustering (SUMVC) 的新方法，该方法从信息理论的角度考察多视图聚类框架，通过开发简单可靠的多视图聚类方法和提出足够的表示下界，解决了多视图聚类中的冗余信息和一致信息问题，为多视图数据分析提供了新的角度和有前景的解决方案。

Sep, 2023

本文提出了一种名为 DmDS 的最小支配集问题的高效局部搜索算法，通过基于频率的顶点选择准则和贪婪策略集成的扰动来改善初始解的质量，实验结果表明，DmDS 在准确性方面优于现有算法，能在大型真实图上寻找到更好的解。

Jul, 2023

提出了一种基于深度矩阵分解与分割对齐的新型多视角聚类算法，全面利用各视角的分区表示并融合多视角信息，通过交替优化算法解决优化问题，实验结果表明该算法在六个多视角数据集中优于目前的方法。

May, 2021

本论文提出了一种名为 FCMVC-IV 的方法，用于解决多视角聚类中的不完整连续数据问题。该方法维护一致性系数矩阵并更新知识，而不是存储和重新计算所有数据矩阵，使用了两个指示器矩阵和旋转矩阵来匹配不同维度的矩阵，并设计了一个三步迭代算法以线性复杂度解决产生的问题。经过全面的实验后，表明 FCMVC-IV 的卓越性。

Jun, 2023

本文研究了蒙特卡罗树搜索方法与专门的启发式方法相结合来解决带权顶点着色问题，并对基本的 MCTS 算法进行了扩展。我们实验了几个方案，包括贪心和本地搜索启发式策略，并在熟知的基准实例上评估了这些方案，提供了实证证据来说明每个模拟策略的优缺点。这是对 Grelier 等人在 EvoCOP2022 上发表的工作的延伸。

Apr, 2023

本文提出了一种几乎最优的亚线性时间算法，可用于在图中近似估计最小顶点覆盖大小。该算法可询问所选顶点的度 deg (v)，以及每个 1<=i<=deg (v) 的 i-th 邻居。它的查询复杂度和运行时间约为 O (avg_deg*poly (1/epsilon))，其中 avg_deg 是图中平均顶点度数。对于密集图，我们考虑另一种模型，其中算法可以询问任何一对顶点 u 和 v 之间是否存在边，并获得了一个能输出 (2,epsilon) 近似最小顶点覆盖大小，其查询复杂度和运行时间约为 O (n)*poly (1/epsilon)。

Oct, 2011

研究广义最小和集覆盖 (GMSSC) 问题，提出一种基于 LP 松弛和随机四舍五入的算法，解决传统特例 (MSSC) 问题并取得 4.642 的近似比例；同时在最小和顶点覆盖 (MSVC) 问题中获得 16/9 的近似比例，并且证明了常规线性松弛的匹配完美性间隙；最后通过双重拟合证明了一个紧的近似保证。

Jul, 2020

本研究提出了一种新的基于深度强化学习的顶点选择方法与价值函数，应用于求解最大诱导公共子图问题的分支定界算法，并实验验证了新算法的效果明显优于目前最先进的算法 McSplit+LL 和 McSplit+RL，同时分析证明了新的选择方法和价值函数的有效性。

Aug, 2022

本研究提出了一种名为 NeuroLS 的本地搜索算法控制器，采用深度图神经网络作为策略模型，通过计算机学习方法，能够优于已知常规搜索控制器和最新的机器学习方法，在求解 NP 困难度的组合优化问题中，取得了比较理想的结果。

Jun, 2022