该论文结合了机器学习和运筹学的想法，提出了一种基于数据的最优决策框架和方法，应用于条件随机优化问题中，证明了该方法的实用性和广泛适用性，并通过一个库存管理问题的实际案例展示了该方法的优越性。

Feb, 2014

本文介绍了一个多阶段综合的机器学习方法，有效地将信息系统和人工智能相结合，以增强操作研究领域内的决策过程的效力。该方法能够解决现有解决方案的常见限制，例如忽略关键生产参数的数据驱动估计、仅生成点预测而不考虑模型不确定性以及缺乏关于不确定性来源的解释。我们的方法利用分位数回归森林生成间隔预测，同时采用了局部和全局版本的 SHapley 加性解释，用于研究预测过程监测问题。通过一个实际的生产计划案例研究，我们证明了所提出方法的实际适用性，强调了规范分析在完善决策程序方面的潜力。本文强调了解决这些挑战以充分利用广泛和丰富的数据资源来进行明智决策。

Apr, 2023

本文介绍了结合预测算法和优化技术来解决不确定性决策问题的上下文优化领域。文中关注单一和两阶段随机规划问题，识别了三种从数据中学习策略的主要框架，并讨论了它们的优点和局限性。

Jun, 2023

本文提出了一种端到端的方法来学习概率机器学习模型，以便在随机编程的上下文中直接捕获它们将要使用的最终基于任务的目标，我们在经典库存问题，实际电力调度任务和实际能源存储套利任务中验证了该方法的有效性。

Mar, 2017

介绍了一种算法设计范例 —— 基于学习预测器的算法，将在线学习技术应用于预测器学习、调整鲁棒性 - 一致性折中并绑定样本复杂度，在构建优美的预测器的同时，在二分图匹配、滑雪租赁、页面迁移和作业调度等多场景中优化了多个现有结果，且提供了第一批基于学习理论的担保。

Feb, 2022

本文探讨了多个在线机器学习算法，从理论角度评估了它们在特定函数逼近问题上的适用性，进一步通过高效的实现利用各种计算和数学技巧将理论上适合的学习算法应用于手头的函数逼近问题，并通过严格测试评估实现的学习算法。

May, 2016

针对生产线加工定制化产品时分布变化带来的机器学习算法性能下降问题，本研究提出了一种基于敌对学习和车间生产调度的数据驱动方法，以实现在高度定制化的制造环境中考虑分布变化。实证结果表明，相比通用算法，该方法可有效提升生产管理决策，达到更高的生产效率。

Apr, 2023

从观测特征中通过预测模型直接学习最优解的方法被提出，该方法是泛化的，基于学习优化范式，能够提供高效、准确和灵活的解决方案给一系列具有挑战性的预测优化问题。

Nov, 2023

我们提出了一个集成的预测 - 优化（PredOpt）框架，通过预测二进制决策变量在最优解中的值，高效地解决顺序决策问题。我们通过循环神经网络和滑动注意机制捕捉组合优化问题的顺序特性，并将基于注意力的编码器 - 解码器神经网络架构与消除不可行性和泛化框架相结合，以学习高质量的适用于时间相关优化问题的可行解。我们的结果表明，可以成功地使用在较短和较小维度实例上训练的模型来预测更长更大维度的问题。优化解决时间可缩短三个数量级，平均最优性差距小于 0.1%。我们将 PredOpt 与各种专门设计的启发式方法进行比较，并证明我们的框架表现优于它们。PredOpt 对于需要立即且重复求解的动态 MIP 问题具有优势。

Nov, 2023

探讨利用机器学习算法进行医学影像诊断的问题，并提出在线调度问题的解决方案，通过分析来自不同紧迫性病人的数据，制定出优先顺序以提高病人救治效率。

Dec, 2022