基于数据驱动的项目规划：集成网络学习和约束放松方法以支持调度
介绍了一种编码资源约束调度问题的方法 —— 时间资源网络，它可以使用简单时间网络（STN）系列的各种表示以及概率性 STN 进行时间规定， 两种算法可用于确定 TRN 的一致性：一种基于混合整数规划，另一种基于约束编程。
Feb, 2016
本文提出了一种应对预算约束的工具学习的新方法，通过在利用工具之前创建一个在预算约束下可行的计划，给出了大规模语言模型中工具学习过程的全面概述，从更广泛的角度来分配预算。该方法主要涉及创建一个可行的计划和指定候选工具的最大使用次数，将过去的经验用于候选工具的有效性估计，并通过动态规划来制定计划。实验结果表明，我们的方法可以与各种工具学习方法相结合，在严格的预算约束下显著提高其效果。
Feb, 2024
利用数据驱动的模仿学习框架，通过模仿一个清晰的预测者，解决了机器人规划中的优化问题，从而为序列决策制定了更好的战略。在信息不完整的计划问题上进行了验证，包括真实的无人机实验，并且表现优于现有的算法。
Nov, 2017
任务规划在大型语言模型发展的同时成为一个重要的研究课题，本文探讨了基于图学习的任务规划方法，该方法与传统的提示设计不同，通过将图神经网络与语言模型相结合以提高整体性能，并通过实验证明了其优于现有解决方案甚至在无训练的情况下的优势，并且通过改进提示或微调模型进一步提高了性能。
May, 2024
该研究论文提出了一种利用约束编程方法结合先前知识和理论洞见的实用方法，从而解决了时间序列数据中因果学习算法估计的图形结构提供高度误导性因果信息的问题，并且可以扩展到大型随机变量集合，并不需要精确知道时间尺度差异。
May, 2022
这篇论文介绍了一种名为《生成概率规划》的新型生成式人工智能技术，利用基于注意力的图神经网络、离线深度强化学习和策略模拟方法，通过概率仿真生成动态供应行动计划，实现了全局优化，适用于不同变化目标的供应链网络中的动态规划，为企业的绩效和盈利能力带来了显著提高。
Apr, 2024
该论文综述了目前与规划、调度和学习相关的最新研究，介绍了规划算法、神经网络、图神经网络、强化学习算法、基于神经网络的路径规划的成功方法，以及带不确定性的时间规划问题。
Jul, 2022
本文介绍了一个基于约束的机器学习模拟框架，使用图神经网络实现约束函数，并通过求解优化问题计算未来预测，可应用于多种具有挑战性的物理领域，提供了传统模拟和数值方法的归纳偏差。
Dec, 2021