合同调度是设计具有可中断功能的实时系统的广泛研究框架。本研究引入并研究更一般和现实的学习增强设置，其中预测以概率分布形式或多个可能的中断时间集合形式给出。我们设计并分析了在预测准确时表现最佳的调度，并同时保证在预测具有敌对性时表现出最佳的最坏情况性能。我们还提供了证据，证明了在分布设置中得到的系统对于预测错误具有鲁棒性。最后，我们进行了实验评估，确认了理论发现，并展示了在实践中可以实现的性能改进。

Apr, 2024

设计并行处理的可中断系统，采用合同算法进行调度，并提出新的性能评价指标，证明在一般的多处理器环境中存在一种调度算法，其性能接近最优，同时找到了单处理器的若干种最小系统缺陷下界的限制。

Oct, 2018

在多智能体路径规划领域的一个研究方向是确定在执行过程中代理被延迟时如何高效地重新规划。我们提出了 Switchable-Edge Search (SES) 算法，一种基于 A * 的算法，旨在找到最佳的经过次序。我们证明了 SES 的最优性，并通过模拟评估了它的效率。SES 的最佳变体在小和中型问题上只需要不到 1 秒，并且在大型问题上比基准算法运行速度快 4 倍。

Mar, 2024

在实时自适应交通信号控制方面，提出了一种启发式调度算法，该算法采用了基于车道的模型，通过估算通过不同车道接近交叉口的所有车辆的到达时间，计算出最小化所有接近车辆产生的累积延迟的时间表，并应用状态空间、局部修剪和 A * 搜索等技术实现了实时调控，并且在模拟测试环境和实际现场测试中，由于启发式的有效性，该方法的运行性能优于较少表达的动态规划方法和以前基于 A * 的方法。

Oct, 2022

本文研究了一个在线资源预订问题，通过一个由两个计算节点组成的通信网络，在有限时间内最小化整体预订成本，并且保持累计违规与运输成本在一定预算限制下的在线重复博弈，提出了一个在线鞍点算法来解决该问题。

May, 2023

本文针对传统调度模型中活动持续时间为固定常量的缺点，提出了结合蒙特卡罗模拟和确定性调度算法求解概率式调度问题的理论框架，并且通过一系列实验，证明了蒙特卡罗模拟与确定性问题的解结合可以有效提高不确定性条件下的调度算法性能。

Oct, 2011

本研究使用强化学习方法，提出了适用于自动生产中的调度问题的解决方案：使用 OpenAI gym 环境和启发式引导 Q-Learning 算法，成功地解决了多智能体柔性车间问题，并在该领域取得了最优解。

Oct, 2022

本研究旨在解决进行计划和执行时由于时间紧张而面临的机遇与风险权衡问题，并通过发展贪心解决方案算法，为同时计划和执行的有原则的时间感知执行奠定了基础。

Mar, 2023

介绍了一种编码资源约束调度问题的方法 —— 时间资源网络，它可以使用简单时间网络（STN）系列的各种表示以及概率性 STN 进行时间规定， 两种算法可用于确定 TRN 的一致性：一种基于混合整数规划，另一种基于约束编程。

Feb, 2016

本文主要研究在共享内存平台下内存限制下数据分配和任务调度问题，提出了一个整数线性规划模型和基于禁忌搜索算法的可行解决方案，并在随机生成的实例上验证了该方法的有效性。

May, 2022