- Distributional MIPLIB：一种推进 ML-Guided MILP 方法的多领域库
这篇论文介绍了 Distributional MIPLIB，一个多领域问题分布库，用于推进基于机器学习引导的 MILP 方法的研究。通过从现有的工作和未使用的实际问题中策划 MILP 分布，并对其进行不同难度级别的分类，它为该领域的研究提供 - OTLP：使用混合整数线性规划进行输出阈值化
本研究提出了 OTLP，一个使用混合整数线性规划的阈值化框架，它在各种问题中都能提供模型不可知、支持不同目标函数和不同约束集的能力，特别适用于平衡和不平衡的分类问题。通过使用信用卡欺诈检测数据集，我们评估了该框架的实用性。
- 一种同时考虑人员轮班规划和无关并行机器调度的数学模型
在本研究中，我们提出了一个多期调度问题的模型，该模型考虑了在每个时间段内人员排班时间的变化，同时解决了相关无关的并行机器调度问题。我们的模型旨在最小化总生产时间，考虑到各机器的处理时间和设备时间，以及各种实际情景下的约束条件和时间窗口。我们 - 机器学习增强的混合整数线性规划的支配分枝
混合整数线性规划 (MILP) 是数学优化领域的重要组成部分，其提供了一个强大的建模语言，适用于各种应用领域。本文总结了近年来在 MILP 求解中使用机器学习算法优化分支定界等主要任务的发展，探索了机器学习和数学优化的整合以及其对 MILP - CAMBranch：使用增强型 MILP 进行区分学习的分支
通过引入机器学习框架加强了解决混合整数线性规划（MILP）的分支策略，特别是通过模仿学习强分支方法，提出了一种新的框架 CAMBranch，借助变量转移生成增强 MILPs（AMILPs），并利用对比学习提高模型的能力从而改善分支决策质量。
- 使用任意预测变量的线性回归参数有限样本置信区间
使用任意预测模型构建置信区间，不依赖于噪音模型并可扩展至非严格线性函数，采用混合整数线性规划框架进行优化和参数坐标的置信区间提取，适用于假设检验，并通过合成数据验证了方法的实证适用性。
- 机场地面处理车辆路径问题中的大邻域搜索学习
该研究提出了一种新的基于深度学习技术的车辆路径问题求解方法，以优化机场地勤中的车队调度，实验结果表明该方法在处理多达 200 个航班和 10 种操作时表现非常优秀，并在不同情况下表现出了很好的鲁棒性和广泛适用性。
- SurCo：学习用于组合非线性优化问题的线性代理
提出一种通过学习线性代理成本来优化实际应用中的组合优化问题的方法，该方法结合了基于梯度的方法的灵活性和线性组合优化的结构，通过 SurCo-hybrid、SurCo-prior 和 SurCo-zero 三种变体的实验结果表明，该方法能够产 - 使用 Tree MDPs 进行分支学习
本文通过强化学习的方法，提出了树马尔科夫决策过程的概念，从头学习分支规则，并通过计算实验证明了树马尔科夫决策过程对于 MILP 中学习分支问题具有更好的收敛性能。
- 使用三维相机投影优化重叠覆盖的相机布局
本文提出一种计算相机 6 自由度姿态以实现用户定义覆盖的方法，其中相机放置问题建模为组合优化问题，并通过混合整数线性规划问题形式化非线性代价函数来最小化实现的覆盖与期望覆盖之间的平方误差，利用相机镜头模型将相机视图投影到 3D 体素图中计算 - 学习剪枝的改进强化学习算法
本文提出了基于深度强化学习的分支定界算法，该算法利用离线模仿学习与自主生成数据相结合的优化方法，并且引入了一种优先存储机制来控制二者之间的混合比例，以此提高算法的性能表现。文章在三个公共研究基准上对所提出的算法进行了评估，并与三种经典的启发 - AAAI整数规划后门发现：一种蒙特卡罗树搜索框架
提出了一种基于 Monte Carlo Tree Search- BaMCTS 算法，在 Mixed Integer Linear Programming（MIP）中通过构建 backdoor（后门） 数据集来提高 MIP 问题的求解效率。 - 基于抽象的神经网络输出值范围分析
本研究探讨了基于 ReLU 激活函数的前馈神经网络的输出范围分析问题，并提出了使用区间神经网络作为抽象技术来简化计算的方法，该方法能够将输出范围分析问题转化为混合整数线性规划问题。实验结果表明了计算时间和计算输出范围精度之间的权衡关系。
- 学习分支的混合模型
本文提出了一种基于 GNN 和 MLP 的混合模型，可在没有高端 GPU 的情况下有效地优化 Mixed Integer Linear Programming 问题求解器的性能。
- 分支定界用于分段线性神经网络验证
研究了深度学习的形式验证以及提出了一种基于分支定界的族算法，并提出了新型的组合方法，以及新的有效的分支策略，将之用于高维输入上的问题，并提出包含以前发布的测试案例的全面测试数据集和基准测试。
- 通过随机嵌入在十亿维度上进行贝叶斯优化
本文介绍了 Random Embedding Bayesian Optimization (REMBO) 算法，运用随机嵌入思想来攻克高维度问题，此算法简单且具有重要的不变性，应用于具有连续和分类变量的领域，经理论和实证分析证明 REMBO