- IJCAI纠缠的 CP 与 NLP：不合理受限句子的生成
约束文本生成问题是一个困难的任务，本文提出了一种以约束为先的框架来解决这个问题，并通过约束编程方法将语言属性与其他经典约束相结合，实现了成功生成高度约束文本的效果。该方法在一个新的高度约束的文本生成问题上展示了潜力。
- IJCAI马尔可夫约束作为大型语言模型代理
NgramMarkov 是一种基于约束编程的文本生成方法，通过使用大型语言模型中的 n-gram 序列和概率限制文本生成，实验结果表明该方法能够显著减少产生的候选句子数量、改善计算时间，并能使用更大的文本语料库和更小的 n-gram。
- 在深度学习方法中利用约束编程动态解决柔性车间调度问题
我们提出了一种融合了约束编程和深度学习的方法来解决灵活作业车间调度问题，该方法通过使用约束编程生成的最优解来训练深度学习模型，以消除深度强化学习中广泛搜索的需求，并在解决过程中共同应用深度学习和约束编程来提高性能。
- 训练的随机森林完全揭示您的数据集
我们介绍了一种基于优化的重建攻击，能够完全或近乎完全重建用于训练随机森林的数据集。我们将重建问题定义为一个组合优化问题，并通过最大似然目标函数来解决。通过广泛的计算研究，我们证明了即使在小规模树集的情况下，使用特征随机化的随机森林也容易被完 - 基于遗传约束编程的资源受限作业调度
提出了一种遗传规划算法，用于发现资源约束作业调度的约束规划的高效搜索策略，通过进化程序表示变量选择器，并通过质量评估方案确定其适应度，结果显示进化的变量选择器能够显著提高约束规划的效率。
- 港口火车卸货调度的约束规划模型：扩展
我们提出了一个有效的约束编程模型以解决在散装货物港口中的排程问题，涉及到分割长列车、通过传送机构将散装物料传输到库堆，并能处理异构数据和有效地找到 24 小时排程。
- AAAI在互动约束获取中学习学习
通过使用概率分类模型指导交互式约束获取，以生成更有前景的查询，本研究通过收缩约束获取与机器学习的联系来缓解查询数量的限制。在不同分类器的实验评估中，本方法远超过现有技术，减少了收敛所需的查询数量最多达 72%。
- 迈向《拼图游戏》模型
我们报告了建模和解决 Puzznic 的进展情况，这是一款需要玩家计划移动序列以匹配方块从而清理网格的视频游戏，我们在没有移动方块的关卡上比较了计划方法和三种约束编程方法在一小组基准实例上的表现，目前计划方法优于约束编程方法，但我们提出了改 - 圣杯 2.0：从自然语言到约束模型
利用预训练的大型语言模型从文本问题描述中提取模型的可能方法，并通过基于分解的提示方法与 GPT 模型展示了早期结果。
- 具有惰性约束生成求解器的层次顺序规划
本文就基于惰性子句生成算法的约束编程方法在解决经典顺序规划方面的可能性进行了探讨，提出了一种基于提升因果编码的约束规划模型，展示了惰性子句生成算法的潜力来扩展可行的规划推断方法，并通过实验证明了我们的方法在解决需要更少计划步数的规划问题方面 - 现代约束编程教育：未来的经验教训
本研究探讨了当代约束编程（CP）教育的视角，提供了当前 CP 课程和教学方法的概述，并着重介绍了美国亚特兰大乔治亚理工学院（Georgia Tech）在大规模工程学生中进行初级 CP 教育的新方法和其重要收获，最后提出了一些促进 CP 教育 - 基于约束编程的作业车间调度问题的端到端强化学习方法
本文提出了一种基于约束编程（CP）和强化学习（RL）的端到端解决调度问题的方法，通过神经网络架构和训练算法，仅需要一些调度问题的约束编码和一组小实例，我们的方法在七个 JSSP 数据集上进行了评估，并展示了其在相同时间限制内找到比静态 PD - 不流泪的快速矩阵乘法：一种约束编程方法
本研究提出一种简单而新颖的基于约束编程的方法，以查找快速矩阵乘法的非交换算法或提供不可行性证明。实验结果表明，我们可以在短时间内找到 $3 imes 3$ 的矩阵的快速矩阵乘法算法。
- 简单的排斥时间问题的模型和算法
该研究介绍了一种称为简单分离时态问题的时空约束问题，并提出了三个数学模型来解决。同时，设计了两个新算法来高效地解决该问题，并与现有算法进行了实验比较。该研究为类似时空约束问题的解决提供了指导。
- ACE，通用约束求解器
该研究论文介绍了使用约束编程技术建模和解决组合约束问题的方法，其中提到了 PyCSP3 建模库和 ACE 约束求解器，ACE 是一个基于 Java 开发的开源约束求解器，重点关注整数变量、状态最新技术的表约束和常见全局约束、搜索启发式和单准 - 在通用约束编程求解器内训练深度 Q 学习代理
本文提出了一种结合深度 Q 学习算法、定制奖励信号和异构图神经网络架构的通用学习过程，用于在约束编程求解器中获取值选择启发式，并在图着色、最大独立集和最大割问题上进行实验，表明该框架能够在通用的前提下，找到更接近最优解的更好解决方案，而无需 - 通过监督学习增强约束编程以进行作业车间调度
本文提出了一种基于监督学习的变量排序策略，针对工厂车间问题进行求解，通过分类与回归模型预测问题实例的最优解，从而优化约束规划求解器的变量搜索顺序，并表明该方法表现优异，且与传统的基于领域的方法结合的混合策略效果更佳。
- AAAIGPU 上的并发约束编程的变体
本文通过基于并发约束编程的简单、本质并行、无锁、形式正确的编程语言，重新审视了 GPU 上的并行约束求解，并开发了完全基于 GPU 编程的简单约束求解器 Turbo，与并行 CPU 求解器相比进行了正确性验证和比较。
- 领域特定约束模式下易用、易适应和高质量的建模
本研究引入特定领域的约束模式，类似于软件工程中的设计模式，以描述约束编程中的共同问题，并包含示例实现。通过选择适用于特定问题的模式，将模型组合起来，从而大大简化了建模过程，使模型容易适应。通过特定于领域的模式，我们还可以将问题特定的建模思想 - 基于约束条件从少样本图中学习因果结构
该研究论文提出了一种利用约束编程方法结合先前知识和理论洞见的实用方法，从而解决了时间序列数据中因果学习算法估计的图形结构提供高度误导性因果信息的问题，并且可以扩展到大型随机变量集合，并不需要精确知道时间尺度差异。