多目标组合优化的新核心引导和命中集算法
本文通过神经组合优化的思想，提出了多目标组合优化问题的学习方法，模型可直接生成逼近帕累托前沿的解，证明了该方法在多目标问题上的有效性。
Mar, 2022
为解决大规模特征选择问题，本文提出了一种新的二元多目标坐标搜索（MOCS）算法，该算法在真实世界的大规模数据集上展现出显著的优越性，并且比 NSGA-II 算法更快速、更高效地解决特征选择问题。
Feb, 2024
通过提出一种新的具有多样性增强的神经启发式方法，我们能够从多目标组合优化问题的不同视角产生更多的 Pareto 解，并在经典的多目标组合优化问题上取得了更高的多样性 Pareto 前沿和卓越的整体性能。
Oct, 2023
本文提出第一个对组合优化求解器的实用鲁棒性度量方法，并针对 14 个算法和 CO 问题进行了广泛的实验，在给定时间限制下，发现目前的最先进算法（如 Gurobi）在指定的难例上的性能下降了超过 20％，使人们对组合优化求解器的鲁棒性产生担忧。
Dec, 2021
本文提出了加权布尔优化（Weighted Boolean Optimization，WBO）的新统一框架，并提出了一种基于不可满足性的算法为 WBO 提供解决方案，并且该算法可用于解决众多相关问题，包括 非常规的伪布尔约束条件。实验结果表明，基于不可满足性的算法比现有的专用算法更有效。
Mar, 2009
通过基于超体积期望最大化的 Pareto 注意模型以及超体积残差更新策略，结合新颖的推理方法和局部子集选择方法，设计了一种名为 GAPL 的几何感知 Pareto 集学习算法，用于解决多目标组合优化问题，提高问题的分解能力和多样性增强。通过三个经典的多目标组合优化问题的实验结果表明，GAPL 算法在分解和多样性增强方面优于现有的神经基准模型。
May, 2024
用代理模型进行不确定度感知的搜索，以在减小函数计算的前提下，近似求出满足一组约束条件的真实 Pareto 解集，将其应用于昂贵的电路优化实验中，实现了 90% 以上的计算次数减少。
Aug, 2020
构建适用于 NP-Hard 的 Pseudo-Boolean 优化问题的任意时刻元求解器，明显提高了性能，并改进了在组合求解器组合中性能表现最好的单个求解器 Gurobi 的成功率。
Sep, 2023