我们讨论寻找适合特定问题实例的数学规划求解器配置的问题，并提出了一个两阶段的解决方法。在第一阶段，我们学习了问题实例、配置以及规划求解器在给定实例上的性能之间的关系。学习一个好的求解器配置的一个特定困难是参数设置可能并不都是独立的；这需要施加硬约束，而许多广泛使用的监督学习方法不能本身实现。我们在我们方法的第二阶段处理这个问题，利用所学到的信息来构建和解决一个优化问题，该问题在配置参数设置上具有显式的依赖性 / 一致性约束的表示。我们讨论了在水力谷的短期计划中出现的两个不同实例上该方法的计算结果。我们使用逻辑回归作为监督学习方法，并考虑 CPLEX 作为感兴趣的求解器。

Jan, 2024

本研究旨在使用深度度量学习方法，预测出 MILP 问题的配置参数，以获得更低成本的解决方案。经过实证结果表明，相比于现有方法，本方法能够提高解决方案的成本高达 38%。

Jul, 2023

算法优化领域已经通过自动配置算法参数的方法显著进展。本文深入研究了算法配置问题，重点优化针对特定决策 / 优化问题实例的参数化算法。我们提出了一个全面的框架，不仅形式化了算法配置问题，还概述了利用机器学习模型和启发式策略解决该问题的不同方法。本文将已有的方法论分为按实例和按问题的方法，并区分了模型构建和部署的离线和在线策略。通过综合这些方法，我们旨在为理解和应对算法配置中固有的复杂性提供清晰的路径。

Mar, 2024

本文描述了一种自动化算法配置框架，其中提供了用于通过变化一组序数和 / 或分类参数来优化目标算法在给定问题实例类上的性能的方法，并提供了用于加速本地搜索的算法配置过程的新技术，同时通过对 SAT 的完整和不完整算法进行配置，评估了我们方法的结果，同时还提供了关于自动配置 CPLEX 混合整数规划求解器的首个已知结果。

Jan, 2014

本文章介绍了多配置的概念，并示例了应用于生成个性化考试的多配置功能。此外，还提供了约束求解器性能分析，以帮助了解相关性能问题。

Oct, 2023

该研究使用深度强化学习方法提出了一个新的线性规划模型，该模型能够有效地减少求解时间和迭代次数，优化了现有的线性规划求解器的性能。

Jan, 2022

使用成员预测器解决未知线性约束的组合优化问题，以学习和利用替代线性约束的新框架，并通过采样策略和解决 0-1 整数线性规划来选择需要标记的新点，以提高结果的质量。

May, 2024

介绍了一种用于优化问题建模的增强智能系统，该系统使用控制生成技术生成优化问题的自动建议，并提供用户界面进行编辑和验证，该系统经过新创建的数据集的测试表明其有效性。

Sep, 2022

提出一种基于预测模型的算法配置方法，利用算法在先前基准测试的性能信息来对新类型的基准测试进行热启动配置，实验证明相较于现有的算法配置方法，该方法在优化硬组合问题求解器时可大幅提升速度（最高可达 165 倍），同时可以在相同的计算预算下找到更好的配置。

Sep, 2017

本论文研究了通过机器学习解决 NP 困难问题的可行性，指出了训练数据的易变性及其对模型的影响，并提出了改进的方法来适应这个问题。该方法被应用于非线性、非凸、离散组合问题的求解，取得了有效的结果。

Jun, 2021