使用机器学习确定任何一组划分程序的最佳加权，并通过实验证明，学习如何分叉在实践中非常有益，可以显著减小树的规模。
Mar, 2018
采用参数化状态来帮助泛化“学习分支”方法，该方法可以有效地处理各种 MILP 问题，通过模拟学习框架实现新的输入特征和架构以表示分支决策，从而在准确性和B&B树的大小等方面具有显著的优势。
Feb, 2020
本文从最近使用机器学习来解决约束优化问题的尝试入手，重点调查了将组合求解器和优化方法与机器学习架构集成的工作。这些方法有望开发新的混合机器学习和优化方法，以快速预测组合问题的近似解并启用结构逻辑推理。本文概述了这一新兴领域的最新进展。
Mar, 2021
本文通过强化学习的方法，提出了树马尔科夫决策过程的概念，从头学习分支规则，并通过计算实验证明了树马尔科夫决策过程对于MILP中学习分支问题具有更好的收敛性能。
May, 2022
本文提出一种名为 retro branching 的强化学习方法，用于解决混合整数线性规划问题中的 branch-and-bound 算法中的变量选择问题，与之前的方法相比，本方法不需要专家指导或预训练，且在四种组合问题上表现优异。
本文提出了一种聚合图神经网络和指针机制的图指针网络模型来学习分支定界中的变量选择策略，结果表明该模型在求解速度和搜索树大小方面都优于现有的机器学习和专家设计的分支规则。
Jul, 2023
我们提供了一个新的更简单更强大的框架称为Two-Stage Predict+Optimize，可用于预测和优化的设置中，通过训练算法涵盖了所有混合整数线性程序，并且实验证明我们的训练框架在所有传统和最先进方法上具有卓越的预测性能。
Nov, 2023
数据驱动算法设计通过使用统计和机器学习技术，从一个算法类中选择一个在某个（未知）分布中期望表现最佳的算法。该论文提出了一种在解决问题时可以基于问题实例选择算法的思想，并应用于混合整数优化的分支切割框架中，通过神经网络在决策中起到重要作用。
Feb, 2024
通过识别经典算法服从的关键原则并将其用于优化学习（L2O）中，我们提供了一个综合设计流程，以数据、架构和学习策略为考虑因素，从而实现经典优化与L2O之间的协同，形成了学习优化算法的理念。通过设计一种新的增强学习BFGS算法并提供数值实验证明其在多种测试环境中的适应性，我们展示了这些新原则的成功。
May, 2024
Branches算法结合了动态规划和分支界限方法，提供了出色的速度和稀疏性解决方案，通过理论分析和实证评估验证了比现有方法更低复杂性以及始终产生最优的决策树的优势。
Jun, 2024