在线规划器选择是选择给定规划问题的预定义求解器之一的任务。本研究通过深入研究所选择 GNN 模型、图表示和节点特征以及预测任务等方面的影响，提出使用 GNN 获得的图表示作为 XGBoost 模型的输入，以实现更具资源效率且准确的方法，展示了多种基于 GNN 的在线规划器选择方法的有效性，为在线规划器选择的新研究方向打开了新的令人兴奋的可能性。

Jan, 2024

任务规划在大型语言模型发展的同时成为一个重要的研究课题，本文探讨了基于图学习的任务规划方法，该方法与传统的提示设计不同，通过将图神经网络与语言模型相结合以提高整体性能，并通过实验证明了其优于现有解决方案甚至在无训练的情况下的优势，并且通过改进提示或微调模型进一步提高了性能。

May, 2024

本研究探讨了如何使用图神经网络（GNN）更有效地调度纳米卫星任务，并将优化问题表示为二分图。同时，应用可解释性人工智能（XAI）确定对学习表现影响最大的要素。结果表明 GNN 对于调度纳米卫星任务是一种可能有效的方法，并突出了可解释性机器学习模型在挑战性组合优化问题上的优点。

Mar, 2023

本研究提出了一种组合模型，结合卷积神经网络和图神经网络，用于多机器人路径规划中的通讯问题，并在模拟中取得了接近专家算法的性能和有效性。

Dec, 2019

本文提出了一种基于图神经网络的对象重要性预测架构，通过预测一小部分对象，可以极大地减少计划器需要考虑的对象数量，从而实现简单、高效的规划过程，经过实验验证，在不同类型的规划问题中均取得了优异的效果。

Sep, 2020

本研究提出一种基于图神经网络和强化学习的框架来解决工厂作业车间调度问题，该框架将调度问题表示成了状态图，并使用 GNN 进行表示学习和策略学习，最终使用 PPO 算法对模型进行优化。实验结果表明，该模型优于传统的调度规则和基于强化学习的调度器，并且可以学习到一种具有泛化能力的调度策略。

Jun, 2021

本研究提出了一种使用图神经网络（GNN）和强化学习（RL）监控的新方法来预测时间序列数据。该方法将数据的图结构与模型明确地结合起来，能更自然地捕捉时间依赖关系，对于医疗、交通和天气预测等复杂时间结构中的精准预测具有优势，同时通过贝叶斯优化技术对图神经网络模型进行了进一步优化，提出的框架在时间序列预测和监控方面优于基准模型，证明了 GraphRL 在动态强化学习环境中提供准确和高效预测的潜力。

Sep, 2023

本文研究如何将深度强化学习和图神经网络应用于无线网络中的电力和信道分配问题，研究结果表明现有结构还不能很好地识别图的结构和特征，并且对于对图产生影响的问题不太适用，但研究还是取得了一些积极进展，比如通过距离编码来增强问题的表示方法。

Jan, 2022

比较研究了使用不同的树模型对优化器在复杂工作负载下的成本估算和计划选择性能的影响，并探索了使用图神经网络在查询计划表示任务中的可能性。提出了一种新颖的树模型，结合有向图神经网络和门控循环单元（GRU），实验结果表明，与现有树模型相比，新的树模型在成本估算任务和计划选择性能方面具有显著改进。

May, 2024

该论文综述了目前与规划、调度和学习相关的最新研究，介绍了规划算法、神经网络、图神经网络、强化学习算法、基于神经网络的路径规划的成功方法，以及带不确定性的时间规划问题。

Jul, 2022