- 提前预计以避免迟到：解决困难约束旅行推销员问题
使用前瞻信息作为特征，提出一种利用学习方法改善具有时间窗口的 TSP 解决方案合法性的新方法，并构建了具有硬约束条件的 TSPTW 数据集进行准确评估和基准测试。通过对多种数据集进行综合实验，MUSLA 优于现有基线算法且具有一定的泛化能力 - 可解释性优化启发式算法的基准测试
介绍了一种名为 IOH-Xplainer 的软件框架，用于分析和理解各种优化算法的性能以及它们不同组件和超参数的影响，通过该框架，我们对不同算法组件和配置的影响进行了研究，为不同场景下的性能提供了深入的见解。提供了一种系统方法来评估和解释迭 - 功利主义算法配置
我们提出了第一个非平凡的程序，用于配置启发式算法以最大化其为最终用户提供的效用，并同时提供关于性能的理论保证。我们展示了实用目标也带来了相当大的算法好处，在平均运行时间最小化无法捕捉到算法设计者的偏好的情况下表现出更好的性能。本文基于此思想 - 基于自然启发算法的路径规划
由于其收敛性和随机性，自然启发算法（NIAs）在解决组合优化问题中提供了最优结果，而且在机器人学中的路径规划问题中有广泛的应用。
- 利用 Stable Diffusion 构建个性化剪力墙布局的 AI 助手
本研究提出一种基于 Stable Diffusion 的个性化剪力墙布置 AI 助手，此方法通过优化 LoRA 方法，细调大型模型，使用少量数据即可获得良好生成结果。测试证明 Stable Diffusion 在剪力墙布置中表现出色。
- 通过机器学习解决混合整数规划问题的调查
本文调查了利用机器学习解决混合整数规划（MIP）问题的趋势，介绍了 MIP 及其传统算法，提倡学习和 MIP 的不同集成，并引入了与学习相关的方法。最后，我们展望了基于学习的 MIP 求解器的前景。
- 图分类的数据增强
该篇研究提出了两种启发式算法：随机映射和基元相似度映射，并结合数据增强、数据筛选和模型重训练的通用模型演化框架 M-Evolve 以优化预训练的图分类器，解决小规模基准数据集上过拟合问题，平均提高 3-12% 图分类任务的准确率。
- KDD强化学习驱动的启发式优化
本文介绍了一种使用强化学习初值方法框架来改善启发式算法的初始解决方案的方法，并在 NP 完全的装箱问题上的实验中展示了 RLHO 方法比我们的基线表现更好。
- 无线网络的混合联邦学习：使用非独立同分布数据的合作学习机制
提出了一种名为 Hybrid-FL 的协作机制，通过启发式算法解决数据和客户端选择问题，从而缓解非独立同分布数据带来的弊端，在网络模拟和机器学习实验中证明了该方案比之前提出的方案在非 IID 情况下具有更高的分类准确率。
- VAE 抑制
本文提出了利用附加约束训练 VAE 的想法，进而发展了一种称为 GECO 的算法，在几个标准数据集上获得了鼓舞人心的实验结果，以平衡重建和压缩约束。
- NASA 量子计算的视角：机遇与挑战
探索量子算法和特定目的的量子计算硬件，并通过经验性测试来了解启发式算法的实用性。
- AAAI众包实体消解中的第一启发式理论分析
本文研究使用围绕众包的启发式算法解决实体识别问题，分析了常见的算法并提供了实验和信息理论下界的支持。
- SIGIRIMRank: 通过寻找自洽排名进行影响力最大化
提出一种基于迭代排序的算法 IMRank，通过同时利用贪心算法和启发式算法，以节点排序的感染影响力边际作为参考，高效地解决了社交网络中的最大影响力问题。经过对大规模真实社交网络的广泛实验，IMRank 总是以极高的准确性实现的同时，计算成本