深度神经网络和强化学习方法在解决复杂的组合问题方面取得了显著的实证成果，本文引入了一种新的理论框架来分析这些方法的有效性，回答了存在生成模型能够生成近似最优解、拥有易处理的参数数量以及优化结果无次优静态点等问题，并介绍了一种新的正则化过程，实验证明其有助于解决梯度消失和避免不良静态点的问题。

Oct, 2023

介绍了解决图上组合优化问题的现有方法存在的问题，调查了与计算复杂性相关的机器学习研究的发展，并组织和比较了解决组合优化问题的学习结构。

May, 2020

该篇论文提出了一种基于半定规划的自适应、可扩展模型的算法，用于优化机器学习、离散优化和贵重求值黑盒函数所需的组合结构，该算法在实验中表现优于组合和贝叶斯优化等其他方法。

Jun, 2018

对黑盒优化问题的领域特征进行研究，探索性景观分析（ELA）模型成功地识别了预定义的人造特征，并为解决这些挑战的组合选择器提供了帮助。本研究提出了利用图像识别方法解决这个问题的方法，并在大型数据集上应用基本的人工神经网络模型进行分类，成功实现了机器驱动的特征提取。

Jun, 2022

本文通过对近年来在组合优化、运筹学和机器学习等领域出现的基于图神经网络（GNNs）的组合优化求解方法和算法进行概述，以此向优化和机器学习研究者介绍这一领域的最新进展。

Feb, 2021

在本文中，我们介绍了一种新的启发式算法，用于在成本函数的 extensive 评估是昂贵、不可访问或甚至是禁止的场景中进行全局优化。该方法结合了机器学习、随机优化和强化学习技术，并依赖于以前采样点的历史信息，选择应该评估成本函数的参数值。与 Replica Exchange Monte Carlo 方法优化相比，该方法所需的成本函数评估次数与模拟退火方法相当，这在高通量计算或高性能计算任务等上下文中特别重要，其中评估要么计算成本高，要么需要很长时间才能执行。该方法与标准的替代优化技术不同，因为它不构建旨在近似或重构目标函数的替代模型。我们通过将其应用于低维优化问题（维度为 1、2、4 和 8），模拟了凝聚态物理中常见的崎岖能量景观上的最小化困难，其中成本函数崎岖不平且充斥着局部最小值。与经典模拟退火相比，LSS 显示出优化过程的有效加速。

Sep, 2023

使用机器学习方法来选择算法通常将描述一个实例的数据作为输入，我们提出了一种新颖的基于算法的方法来描述实例，该方法使用短的探测轨迹来训练算法选择模型，并且在计算效率和结果方面比传统的基于特征的方法更有前景。

Jan, 2024

本文采用元学习技术来在多种任务中训练一个模型，以优化适应新任务的能力，从而提高两个最先进的模型的泛化能力，实验表明该方法在两个 CO 问题上都有显著改善。

Jun, 2022

我们对神经网络与组合优化中的局部搜索算法进行了综合研究，结果表明基于禁忌搜索的简单学习启发式方法在性能和泛化性方面超过了最先进的学习启发式方法，挑战了现有假设，并为组合优化的未来研究和创新开辟了新的方向。

Oct, 2023

本文介绍一种将组合优化算法和深度学习相结合的方法，利用神经网络中的组合构建块来解决原始输入数据中的组合问题，如机器人中的路线规划和多目标跟踪中的全局一致性保证。作者将 Gurobi MIP 求解器、Blossom V 算法和 Dijkstra 算法引入到结构中，实现了高效的反向传递，为旅行商问题，最小成本完美匹配问题和最短路径问题提供了特征提取方案。

Dec, 2019