我们提出了一种使用图卷积网络计算最小支配集的新型基于学习的启发式方法，并在随机生成的图和现实世界图数据集的组合上进行了广泛实验评估。我们的结果表明，所提出的基于学习的方法可以优于经典贪婪逼近算法，并演示了图卷积网络在数据集中的泛化能力以及扩展到高于其训练的图的能力。最后，我们在迭代贪婪算法中利用所提出的基于学习的启发式算法，在计算支配集方面取得了最先进的表现。

Jun, 2023

本文提出了一种名为 DmDS 的最小支配集问题的高效局部搜索算法，通过基于频率的顶点选择准则和贪婪策略集成的扰动来改善初始解的质量，实验结果表明，DmDS 在准确性方面优于现有算法，能在大型真实图上寻找到更好的解。

Jul, 2023

研究了多目标最小重量基问题的性质，并给出了 MOEA/D 算法的运行时间分析，表明在理论和实践方面都比已有的算法更优，可望在预期的多项式时间内找到所有的极值点。

Jun, 2023

针对实际的车辆路径问题，研究了最大权独立集问题，通过开发一个新的本地搜索算法，该算法使用了先前文献中未描述的更广泛的简单局部搜索运算和数据结构，引入了路径重新链接的新变体来避免局部最优解以及一种新的交替增广路径局部搜索移动来提高算法性能。

Mar, 2022

该研究提出了一种基于二次优化问题与主导集的交互式图像分割的新方法，能够处理包括涂鸦、粗略轮廓和边框等任何输入方式，并在标准基准数据集上进行了实验，结果表明该方法相对于现有算法在各种自然图像下均具有优越性。

Aug, 2016

本文介绍了一个新颖的线性复杂度的随机优化算法，可用于多维缩放（MDS）的随机压力最小化框架，可递增、分布式求解，应用于定位和可视化任务，并在合成和真实数据集上进行了广泛测试。

Dec, 2016

本文研究最小范数优化问题，通过引入常用的单调对称范数，相较于已有的算法，针对负载均衡和聚类等实际问题，提出了一套通用且高效的解决方案，并在此基础上给出了一些近似算法。

Nov, 2018

本文提出了一种新的两阶段方法来解决在高密度无线合作网络中解决大规模凸最优化问题，其中原始的凸问题通过矩阵填充转化为标准锥编程形式，并采用交替方向乘子法（ADMM）求解。与二阶方法相比，ADMM 能够在合理的时间内并行地解决大规模问题。

Jun, 2015

本研究提出了一种交替方向乘子法（ADMM），该方法可以解决优化成对函数的非凸问题，适用于图像分割等领域，可以将问题分解为多个小的子问题，并通过一个新的约束条件保证了子问题的一致性，通过迭代求解子问题和更新一致性变量来加速收敛。

Apr, 2017

本文提出了一种新的最大权独立集问题分支和缩减策略，结合核心化与局部搜索能够比局部搜索单独得出更高质量的解，通过实验表明，在实践中这种方法比现有的算法更加有效，可以处理高达数百万个顶点和边的实际问题。

Oct, 2018