研究 Facebook 上百所美国大学的 “友谊” 网络的社会结构，并探讨用户属性在这些机构中的作用，比较不同特征在不同机构的相对重要性，可为深入研究此类现象提供微观和宏观视角的互补洞察。

Feb, 2011

本文介绍了针对大学课程分配问题所面临的种种约束、困难及其解决方案，提出了一种混合演化算法来生成最佳的课程分配方案，并复杂构建相关约束以便为每位教员准备出无冲突且高效的课表，以减轻手动分配的工作量。所提出的算法相较于基本优化算法在准确性和时间效率上表现更优。

Nov, 2022

在这项研究中，我们以团队形成中的冲突为问题，目标是根据个人的任务偏好和他们之间的冲突，将个体分配到任务中。我们使用依赖舍入方案作为主要工具箱，提供高效的近似算法。我们的框架非常灵活，可以模拟教育环境和人力资源管理中出现的许多不同的实际情况。我们在真实数据集上测试和部署我们的算法，并展示出我们的算法比自然基线找到的分配更好。在教育环境中，我们还展示了我们的分配比人工专家手动分配要好得多。在人力资源管理应用中，我们展示了我们的分配如何提高团队的多样性。最后，我们使用合成数据集证明我们的算法在实践中的可扩展性非常好。

Feb, 2024

本研究在经典的分配问题基础上，研究了基于社交网络的分配问题，目标是通过最小化代理人之间的嫉妒程度来实现公平分配；同时，该研究还贡献了基于图结构的问题结构与计算结果，提出了一个名为 “可分离性” 的概念，可以在某些图结构中实现高效的最优分配算法。

Jan, 2023

本文提供了一种系统的方法，使用前向搜索反向归纳算法优化选择课程序列，结合多臂赌博机算法推荐个性化课程序列，从真实的学生数据实证了该算法优于其他无法考虑学生背景信息的方法。

Dec, 2015

本文介绍了一种基于机器学习的课程分配机制，将 Course Match 机制与基于机器学习的偏好引导模块相结合，实现个性化的查询，其结果显示，相比于 Course Match，MLCM 可将平均学生效用提高 4%-9%，并可将最小学生效用提高 10%-21%。

Oct, 2022

使用混合推荐系统，结合协同过滤与基于内容过滤的方法，根据学生和课程信息，通过遗传算法自动发现最佳配置，以更可靠地推荐最适合的课程。实验结果表明，混合模型在课程推荐中的重要性，使用该模型相较于之前的模型表现出色。

Feb, 2024

研究揭示排序同行评分可用作大规模在线开放课程 (MOOC) 的学生评估的高度有效和可扩展解决方案，通过使用一种 Borda-like 聚合方法，在分布过程中使用简单的方法分配任务，并且即使学生具有不完美的评分能力，该方法也非常稳健。

Nov, 2014

在无线信道质量时变、未知且多用户访问同一信道会造成干扰减少质量的情况下，利用一定的在线学习算法，我们研究了在分散式情况下分配多个用户到无线信道的问题，并确定了何种条件下可以实现社会最优分配。我们的结论是，当用户的合作减少，信道收益的不确定性增加时，实现社会最优分配变得更加困难。

Jul, 2011

该研究分析了美国中学和初中生之间的友谊网络，发现不相互认可的友谊普遍在较低排名个体中出现，提出了一种基于网络数据推断辈分的最大似然方法，并推测该辈分反映了社会地位。发现相互认可和不相互认可的友谊遵循不同的统计规律，提示不同的建立过程，并且排名与参与者的其他特征，如年龄和受欢迎程度等，相关联。

May, 2012