本研究使用机器学习将线性规划的数学问题描述转化成相应的数学公式，利用输入中的命名实体和增强输入突出这些实体，并在 NL4Opt 竞赛中取得了最高准确率和第一名的成绩。

Dec, 2022

该论文提出了一种名为扩展权重系统的统一框架，可消除不同自动推理语言之间的句法区别，并研究了所提出系统的形式属性，即可在该框架内捕获的范例的形式属性。

Jun, 2022

提出了一种名为权重系统的统一框架，该框架消除了自动推理和知识表示中的语法差异，并解释了不同范例所提供的优化语句之间的异同，从而方便了翻译程序的开发和证明了不同框架的形式属性。

Jun, 2022

我们提出了一种基于机器学习和优化的方法来选择给定实例的求解器配置。通过使用一组求解实例和配置来学习求解器的性能函数，然后利用学习得到的信息构建一个混合整数非线性规划问题，在未知实例到达时解决该问题，以找到基于性能函数的最佳求解器配置。我们的方法的主要创新在于将配置集搜索问题定义为数学规划问题，这使得我们可以有效地通过现成的优化工具强制执行配置的依赖和兼容性约束，并高效地解决该问题。

Jan, 2024

通过对训练实例的性能指导，我们计划构建一个探索性重构系统，用于从初始模型出发，通过重构自动化地探索模型空间。

Nov, 2023

利用预训练的大型语言模型，在商业优化中提出 AI-Copilot，通过微调模型解决问题建模中的挑战，包括模块化和提示工程技术，开发适用于商业优化问题的复杂问题表述，并设计了更适合评估问题表述准确性和质量的性能评估指标。实验结果表明，我们的 AI-Copilot 能够为生产调度等商业优化问题综合复杂且大规模的问题表述。

Sep, 2023

该研究使用深度强化学习方法提出了一个新的线性规划模型，该模型能够有效地减少求解时间和迭代次数，优化了现有的线性规划求解器的性能。

Jan, 2022

本文介绍了我们团队在 Natural Language for Optimization (NL4Opt) NeurIPS 2022 比赛中的获奖方案，分别采用了命名实体识别和生成模型等方法，成功解决了对应的子任务，并在比赛中获得了不错的成绩。

Feb, 2023

该论文对经典规划的重组技术的大量研究进行了系统综述，旨在提供该领域的整体视图，并促进未来的研究。作为一个有形的结果，我们提供了现有技术分类的定性比较，这可以帮助研究人员获得它们的优点和缺点的概述。

Jan, 2023

本研究针对优化问题，提出了一种基于自动设计元启发式算法的方法学框架 AutoOpt，该框架包含具有良好性能的算法性能评估标准、算法设计决策空间的一般架构、设计算法所用的混合图和实数表示以及无模型方法来进行设计过程。实测结果表明，AutoOpt 是一种有效和高效的设计元启发式算法的方法学框架。

Apr, 2022