- 非线性深度神经网络建模的高效模型预测控制
该研究论文提出了一种用于动态系统的模型预测控制（MPC）方法，该方法利用深度神经网络（NNs）对系统的非线性和不确定性进行建模，并提出了两种用于解决 MPC 问题的方法：混合整数规划（MIP）方法和线性松弛（LR）方法。进行了广泛的数值模拟 - 神经网络结构修剪用于约束学习
本研究展示了在神经网络预剪枝后将其应用到混合整数规划中可以显著提高解决过程的速度，实验结果表明，这种方法在不影响最终决策质量的情况下，能够大大缩短解决时间，解决了此前无法解决的问题实例。
- 混合整数规划与高效启发式算法的多机器人时间最优覆盖路径规划
本研究采用混合整数规划和启发式算法对多机器人覆盖路径规划进行优化，其中包括两种减少规模的启发式算法，通过实验证明，相比现有算法，本研究提出的方法可以显著降低路径覆盖时间。
- 使用任务优化实现端到端文档分类和关键信息提取
本文提出了一种基于端到端文档分类和关键信息提取的表格自动处理方法，其中采用了文本和布局编码技术，利用余弦相似度度量来对视觉上相似的文档进行分类，进而使用混合整数规划来提取文档中的关键信息，实验表明本方法对于文档预处理等优化技术具有重要作用， - 在线学习用于调度 MIP 启发式算法
本文提出了一种在线学习方法，用于优化 Mixed Integer Programming (MIP) 中的启发式算法，以适应于不同的实例，并将大邻域搜索和 Diving 两类复杂启发式方法同时控制，实现 MIPLIB 2017 基准测试的节 - 基于 Digital Twin 的异构联邦学习知识蒸馏框架
本文提出了一种基于知识蒸馏的联邦学习训练框架，利用数据孪生技术在服务器上训练大型教师模型，解决设备资源受限和异构性问题，并将联合问题建模为混合整数规划问题，使用 Q - 学习进行模型选择和本地或服务器训练决策，并基于优化分配用户的资源，仿真 - 可再生能源中预测和优化问题的方法比较与评估
本文介绍了 2021 年 IEEE-CIS 关于可再生能源调度的技术挑战赛的七个排名最高解决方案，比较和评估了这些解决方案，并提供了一个基准问题，以便在这个领域促进和便利研究。这场比赛使用了 Monash 微电网的数据、天气数据和能源市场数 - 支持向量机模型的反事实解释
本研究提出针对线性支持向量机模型的反事实解释算法，旨在增加模型的可解释性，该算法能够改变可操作的特征，并考虑诸多因素，包括特征之间的相关性以及其对数据分布的影响，此外，本研究还引入了两种新型的度量反事实解释质量的无尺度代价函数，并用实际的医 - 贝叶斯推理改进同行评分
本文探讨了对等评分系统，提出了一种新的概率模型，该模型能够更准确地估计群体作业的分数，并且使用混合整数规划将计算结果更易解释。作者在多个大型班级进行了实验验证，结果表明，使用该模型可以更准确地估计真实的分数、学生提交低精度报告的可能性以及其 - ICLR通过翻转有限位进行多功能权重攻击
本文研究了一种新的攻击模式：修改部署阶段的模型参数，提出了一种自定义有效性和隐蔽性的比特翻转权重攻击通用公式，并通过整数规划和交替方向乘子方法在优化中确定了翻转关键比特，成功表明了单一样本攻击和触发样本攻击策略在攻击深度神经网络方面的优越性 - 二元神经网络属性验证的混合整数规划方法
利用混合整数规划公式验证二值化神经网络 (BNN)，检查其可行性、MNIST 数据集和飞机冲突避免控制器中的性质，并证明相较于全精度神经网络的最先进的验证算法，通过验证 BNN 节省的时间是值得的。
- 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。
- 混合整数规划的大邻域搜索算法学习
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 - 利用神经网络解决混合整数规划问题
本文介绍了一种将机器学习与混合整数规划相结合的方法，通过构建两个神经网络组件 Neural Diving 和 Neural Branching 来生成高质量的联合变量分配和绑定目标值差异，在实验中，该方法比传统方法得到了更好的结果。
- 大规模稀疏回归：基于一阶优化的分支定界
本文提出了一种新的混合整数规划框架，结合非线性分支定界和坐标下降方法，用于计算最小二乘回归中的 $l_{0} l_{2}$ 惩罚，证明了该框架不仅比现有方法快很多，而且可以处理一些统计性较强的示例，并提供了 $L0BnB$ 工具箱的开源实现 - 基于解预测加速混合整数规划原始解求解
本文提出了基于三分图的方法表示 MIP 问题，该问题可以通过图卷积网络结合机器学习方法来预测二进制变量的解，以生成一种局部分支类型切割，从而提高求解 MIP 问题的性能。
- 高效搜索多样一致的解释
本篇论文提出了使用混合整数规划来进行反事实解释的新型搜索算法，在处理具有连续范围或离散状态集的复杂数据时，使用了一组新颖的约束条件，称为混合多面体，可以有效地找到连贯的反事实解释。同时，本文还探讨了多样性解释的问题，并展示了如何在我们的框架 - KDDREMIX: 交互式异常值检测的自动化探索
REMIX 是第一个解决交互式环境下异常检测问题的系统，它使用新颖的混合整数规划 (MIP) 公式，在规定时间内自动选择和执行多样化的异常检测器，包括数据处理算法和特征选择，为分析人员提供两种不同的结果消费方式，即透视图和集成异常检测器。
- 通过拓扑排序进行贝叶斯网络学习
本文提出了一种基于拓扑序的混合整数规划模型与迭代算法，来解决带有有向图中非循环约束的优化问题。模型具有较少的约束条件且使用了梯度下降和迭代重新排序等方法。该方法在高斯贝叶斯网络学习问题中进行了计算实验，用于在生物信息学中推断基因网络
- 基于整数规划的最优广义决策树
本文提出了一种混合整数规划的方法来构建特定大小的最优决策树，采用特殊结构的分类特征，考虑每个节点上基于特征子集的组合决策，并通过阈值处理处理数值特征，证明了在中等规模的训练集下，采用小型决策树可获得很高的准确率，我们使用现代求解器解决所提出