本研究使用 MaxSAT 问题中的 SPB 约束和子句权重技术，提出了一种新的局部搜索算法 SPB-MaxSAT，为 MaxSAT 局部搜索求解器的子句权重方法提供了新的视角和优秀的性能。

Jan, 2024

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

提出一种基于连续局部搜索与信念传播结合的算法 GradSAT，能在求解混合布尔约束问题方面有很好的应用表现，对称布尔约束和小系数伪布尔约束也可适用，并有望成为解决布尔满足性和优化问题的有效方法之一。

Dec, 2020

这篇论文介绍了一种名为 Hidden-Constrained Latent Space Bayesian Optimization (HC-LSBO) 的新型贝叶斯优化方法，它集成了潜在决策模型，并利用可变自编码器学习可行决策的分布，从而实现原始决策空间与较低维潜在空间的双向映射。通过这种方式，HC-LSBO 捕捉了公共政策制定中固有的隐藏约束的微妙差别，允许在潜在空间进行优化，同时在原始空间中评估目标。我们通过在合成和真实数据集上进行数字实验验证了这种方法，具体关注了乔治亚州亚特兰大的大规模警区划问题。我们的结果显示，与基线相比，HC-LSBO 在性能和效率方面均有显著改进。

Oct, 2023

本文提出了一种基于多臂赌博机的本地搜索算法 BandHS 用来解决 MaxSAT 及其两个泛化问题，和一个初始化方法优化算法的表现。经过大量实验证明，本文提出的方法在解决 MaxSAT 问题时表现出色。

Nov, 2022

本研究提出了一种名为 NeuroLS 的本地搜索算法控制器，采用深度图神经网络作为策略模型，通过计算机学习方法，能够优于已知常规搜索控制器和最新的机器学习方法，在求解 NP 困难度的组合优化问题中，取得了比较理想的结果。

Jun, 2022

提出了基于本地子模型逼近的优化框架（LSA），并使用 TR 和 AUX 原则，实现了在广泛应用中获得现有标准技术如 LBP，QPBO 和 TRWS 的最新结果。

Nov, 2013

本研究中，我们提出了一种新的局部贝叶斯优化算法 MinUCB，通过在 GIBO 中将梯度下降步骤替换为最小化 UCB 的策略来改进了梯度下降方法，证明了在应用高斯过程作为替代物时，后者可以比直接梯度下降更好。此外，我们还通过前瞻策略改进了 MinUCB 的取样函数，得到了更高效的算法 LA-MinUCB，并在不同的合成和现实函数中应用我们的算法，结果表明了我们方法的有效性。我们的算法还从上界的角度改进了贝叶斯优化中的局部搜索策略，并为未来算法设计提供了新的方向。

May, 2024

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

本文介绍了一种结合 solution prediction model 和神经网络的方法 ——NLocalSAT，用于提高 stochastic local search 在解 Boolean satisfiability problem 时的有效性，并且在 SAT Competition 2018 的实验中取得了 27% ~ 62% 的性能提升。

Jan, 2020