基于二进制决策图的方法在多目标整数规划问题上取得了最先进的结果，本文提出了一种基于变量顺序的新颖参数配置空间，并通过监督学习方法找到了有效的变量顺序，以降低枚举时间。

Jul, 2023

本文提出了基于 SAT 的方法学习最优二元决策图（BDD），以更好地实现可解释的机器学习模型，并给出了一种整合兼容子树的方法，该方法与现有方法相比在预测质量和可解释性方面具有明显的优势。

Mar, 2022

本文提出一种基于深度强化学习的通用方法，用于优化决策图的变量排序以获得更紧密的上下界，进而直接通过泛化的边界机制提高组合优化问题的解决效率。 在两个具体应用中，作者证明了该方法能够显著提高上下界的效果。

Sep, 2018

这篇论文讨论了如何将基于二进制决策图（BDD）的配置扩展到涉及表示用户偏好的成本函数的情景中，并证明即使在其最简单的形式下，多成本配置也是 NP - 难问题。

Jan, 2014

该研究论文主要研究了基于二元决策图的 Pseudo-Boolean 约束编码技术，提出了使用系数分解方法克服爆炸性增长问题，并给出了第一个多项式广义弧一致的 ROBDD 编码算法。

Jan, 2014

本文旨在确定哪些布尔函数可以由小型的 SDDs 表示，同时将多项式大小的布尔函数表示集合与来自 Darwiche 和 Marquis 经典知识编译地图的表示类型进行比较。最主要的结果是通过等效的不明确的非确定性 OBDDs 对 SDDs 进行准多项式仿真，回答了 SDDs 和超过 OBDDs 的 FBDDs 相对简洁性之间的一个开放问题。

Feb, 2018

本论文介绍了一种基于决策图的分支定界算法，利用动态规划模型的结构以及数据结构 Barrier 中的阈值进行剪枝，进而解决优化问题，并结合 Gillard 等人在 2021 年提出的过滤技术进行优化，实验结果表明该方法能够在更短的时间内解决更难的优化问题。

Nov, 2022

本文研究了如何将一个二进制神经网络的决策函数编译成可行的表示形式，如有序二进制决策图和命题决策图，并讨论了使用这些表示形式来验证神经网络的鲁棒性和计算期望鲁棒性的方法。此外，本文还提出了一种基于伪多项式时间算法编译单个神经元的高效方法，并在手写数字数据集中展示了两个神经网络的高准确度但鲁棒性不同的案例研究。最后，实验证明使用命题决策图可以获得神经网络的紧凑表示形式。

Apr, 2020

本文介绍了一种基于强化学习的组合优化问题解决方法，使用树马尔可夫决策过程视角选择变量分支，并且优化学习对象，相较之前的强化学习方法，训练数据量更小，生成树的大小更小。

Jun, 2023

本文研究了一种统一的框架方法用于解决一类混合整数优化问题，通过对其逻辑约束进行非线性方式的表达，结合规则化条件及基于混合精度算法，形成了凸二进制优化问题，并利用一种综合的数字策略方法解决问题。

Jul, 2019