本文介绍了一种新的算法 CL-LNS，通过使用正负样本集合学习一个次优解算法并使用图注意力网络和更丰富的特征进一步提高解决 LP 问题的性能。

Feb, 2023

该论文提出了一种基于学习的大邻域搜索 (LNS) 方法来解决混合整数规划 (MIP)，该方法使用神经潜水模型来表示变量分配的可能性分布，并使用非自用 MIP 求解器生成初始分配，并使用诱导学习来训练神经网络选择在每个步骤中寻找下一个分配的邻域。

Jul, 2021

本文提出了一种基于深度强化学习算法的算子选择方法，旨在提高 Adaptive Large Neighborhood Search（ALNS）算法的解题质量，实证结果表明，与基于机器学习的算法相比，所述方法训练次数更少，对小型问题与大型问题都能有效提高问题解决效率。

Nov, 2022

本文探讨了在整数线性规划（ILP）的大邻域搜索（LNS）中设计有效和高效的启发式。 创新性地提出了 LB-RELAX 及其变体，利用线性规划松弛代替 Local Branching 来选择邻居。实验证明相对于 LB，LB-RELAX 及其变体计算出的邻域相同，但是速度更快。在多个 ILP 基准测试中取得了最新的任意时间性能。

Dec, 2022

该研究提出了一种名为 ASP 的新方法，利用分布探索和持久缩放调节两个组件，提高神经求解器的处理未知分布和多尺度性并实现普适性；结果表明，相比于标准训练流程，该方法在各类 COP 测试中均取得优异表现。

Mar, 2023

本文提出了一个基于自适应约束分区的优化框架，旨在解决解决大规模整数规划问题时可能会陷入局部最优解的问题。与现有的大邻域搜索算法相比，该框架可以更高效地利用任何现有优化求解器作为子例程来优化决策变量。实验结果表明，该框架在规定的墙钟时间内显示出比 SCIP 和 Gurobi 更好的性能。

Nov, 2022

本研究提出了一种使用 Answer Set Programming 自动确定精细的、非均匀且有序的求解器调度方案的方法，并且可以定制化地生成并行调度方案。

Jan, 2014

本研究提出了一种名为 NeuroLS 的本地搜索算法控制器，采用深度图神经网络作为策略模型，通过计算机学习方法，能够优于已知常规搜索控制器和最新的机器学习方法，在求解 NP 困难度的组合优化问题中，取得了比较理想的结果。

Jun, 2022

本文提出了一种基于神经网络学习的建造启发式方法的大邻域搜索 (LNS) 方法，用于解决具有时间窗口的车辆路径问题 (VRPTW)。方法采用图形神经网络来编码问题，并通过强化学习在不需要监督标签的情况下训练构造任务。神经修复运算符与局部搜索例程、启发式销毁运算符和选择过程相结合，应用于小型人口来到达一个复杂的解决方案。关键思想是使用学习模型重新构造部分破坏的解决方案，并通过破坏启发式 (或随机策略本身) 引入随机性，以有效地探索大邻域。

May, 2022

采用 ASP 和 difference 约束的混合方法以解决实际列车调度问题，并探索如何通过结合不同的 ASP 求解技术来提高性能。

Mar, 2020