（变尺寸）混合优化问题的元启发式算法：统一分类和调查
使用线性的 Rectified Linear Units，Mixed-Variable ReLU-based Surrogate Modelling（MVRSM）实现基于代理的算法的混合变量优化，获得优于最佳结果的性能，并在两个真实基准测试中实现竞争性能。
Jun, 2020
本研究提出了动态规划问题的一种新的模型化方法：基于动态规划描述语言（DyPDL）的领域无关动态规划（DIDP），并开发了基于状态空间搜索的成本代数A*求解器（CAASDy）。 通过实验比较CAASDy与商业混合整数规划和约束规划求解器，我们表明CAASDy在许多常见问题类上优于MIP和CP模型。
Nov, 2022
本文对无导数优化的确定性技术和基于自然启发的技术进行了计算比较，并通过对五个基准测试集的结果分析表明，在目标函数评估相对较便宜的情况下，基于自然启发的方法比确定性方法具有更好的性能，然而，在目标函数评估昂贵或被禁止的情况下，确定性方法可能提供更为一致和总体更好的结果。
Dec, 2022
我们提供了一个综述，统一了多目标优化算法产生的解决方案的决策支持方法。我们提供这个主题的最新进展的概述，包括可视化方法、解决方案集挖掘、不确定性探索以及新兴研究方向，包括交互性、可解释性和伦理。我们综合了来自不同研究领域的这些方法，构建了一个独立于应用的统一方法。我们的目标是降低研究人员和实践者使用多目标优化算法的门槛，并提供新的研究方向。
Nov, 2023
通过应用元启发式优化算法解决不相关的并行机器调度问题，研究了如何在可持续发展目标的背景下实现可持续发展目标，并评估了一系列元启发式算法在优化调度问题中的有效性。
Sep, 2023
我们提出了一种基于机器学习和优化的方法来选择给定实例的求解器配置。通过使用一组求解实例和配置来学习求解器的性能函数，然后利用学习得到的信息构建一个混合整数非线性规划问题，在未知实例到达时解决该问题，以找到基于性能函数的最佳求解器配置。我们的方法的主要创新在于将配置集搜索问题定义为数学规划问题，这使得我们可以有效地通过现成的优化工具强制执行配置的依赖和兼容性约束，并高效地解决该问题。
Jan, 2024
通过对单目标连续黑箱优化领域的算法选择的关键贡献进行概述，我们介绍了在优化问题实例、算法实例及其交互的元特征表示学习方面的正在进行的工作，并研究了用于自动算法选择、配置和性能预测的机器学习模型，通过这些分析，我们发现了现有技术的不足之处，并提出了进一步发展元特征表示的思路。
Jun, 2024
综述300多个用于评估优化和元启发式算法的基准函数，列出了最常用的25个函数，并提出了两个新颖、高维、动态且具有挑战性的函数用于测试新算法，同时指出了当前基准化方法的不足之处，并提出了未来研究的方向。
Jun, 2024