- 基于混合整数规划的约束 C - 测试生成
该研究论文提出了一种新的方法来生成 C-Tests，它是一种 cloze 测试的变体，在这里只有单词的最后一部分变成了间隙。与以往只考虑变化间隙大小或间隙位置以获得局部最优解的方法相比，我们提出了一种混合整数规划（MIP）方法。这使我们能够 - 基于多变量布尔规则的最优分类树 (BooleanOCT)
全球优化分类树方法通过建立新的混合整数规划方法，在多个线性和非线性指标的综合下，提供了优于传统方法的解析度和普适性。在延展性和实用性测试中，该方法在小型和中型数据集上相较于随机森林取得了显著的精度提升。
- 深度学习增强的整数混合优化：学习降低模型维度
通过深度学习来解决混合整数规划（MIP）模型中固有的计算复杂性，并比较前馈神经网络（ANN）和卷积神经网络（CNN）在逼近 MIP 问题中的活动维度的效果，利用多标签分类来纳入多个活动维度，通过贝叶斯优化进行超参数调优以提升模型性能，并应用 - MM捉摸不定：动态 AD 攻击图中有效的蜜罐部署
研究了一个堆栈博弈，针对大型活动目录（AD）攻击图中的攻击者和防御者，其中防御者使用一组蜜罐阻止攻击者接近高价值目标。通过提出混合整数规划（MIP）公式来共同解决这个博弈问题。通过重新设计混合整数规划公式并使用聚类算法来高效找到最具代表性的 - PySCIPOpt-ML: 将训练好的机器学习模型嵌入混合整数规划
通过混合整数规划 (MIP) 模型和机器学习模型的嵌入，本研究提出了自动化 MIP 公式化的工具，并引入了嵌入机器学习约束条件的 MIP 实例库。
- 基于物理信息图学习解决大规模机组组合问题
提出了一种基于物理信息的分层图卷积网络（PI-GCN）用于神经潜伏，通过学习电力系统各组成部分的底层特征来寻找高质量的变量分配；采用基于 MIP 模型的图卷积网络（MB-GCN）用于神经分支，在 B＆B 树的每个节点上选择最优变量进行分支； - 通过整数规划对温顺函数进行分段多项式回归
我们考虑估计属于一类非光滑函数（称为 tame 函数）的函数的任务。我们展示了 tame 函数可以通过分段多项式在任何全维度立方体上进行逼近，并且提出了首个混合整数规划形式的分段多项式回归。这些方法可以用于估计 tame 函数，并展示了有希 - 具备实际性能保证的深度神经网络推断的线程并行
通过将模型图分成 k 个阶段并减少瓶颈阶段的运行时间，我们通过最小化通信成本来优化深度神经网络（DNN）推理的流水线并行性。我们设计了针对这个 NP 困难问题的实际算法，并通过与通过新颖的混合整数规划（MIP）公式获得的强下界进行比较，证明 - 学习对分布变化鲁棒的最优分类树
基于混合整数规划技术，我们提出了一种学习鲁棒分类树的方法，通过问题转化和约束生成的解决方法，在公共可用数据集上展示了最差情况准确率提高了 12.48%，平均情况准确率提高了 4.85%。
- SIGMA: 尺度无关全局稀疏形状匹配
基于混合整数规划的稀疏对应关系生成方法，结合投影拉普拉斯 - 贝尔特拉米算子、旋转感知正则化器，实现全局最优解，适用于非刚性形状匹配，并具有高效性能。
- 一种用于最优能量储存系统调度的约束强化深度学习框架
提出了一种利用深度强化学习和混合整数规划的框架，用于优化能量储存系统的调度决策，同时严格执行操作约束，以及在存在不确定性的环境中取得高质量的调度决策。
- C++ 中快速动态时间规整和聚类
使用动态编程和混合整数规划来进行动态时间规整（DTW）和时间序列数据聚类的计算有效方法，通过聚类解决另一个优化问题，使用任务级并行处理获取更好的效率，相对于其他方法来说速度更快。
- 离线排名策略学习在高效混合整数规划中的分支排序
本文提出了一种离线强化学习方法，将分支定界问题的分支决策作为全局决策问题来解决，并通过排名奖励方案将分支方法的长期优势与短期视野进行区分，建立一个离线 MIP 数据集。作者称该方法比现有的基于启发式方法和现有的深度学习方法在优化算法性能方面 - RL-GA: 一种基于强化学习的遗传算法用于电磁探测卫星调度问题
本文提出了一个用于电磁探测卫星调度问题（EDSSP）的混合整数编程模型和基于强化学习的遗传算法（RL-GA）。在算法中，我们设计了奖励函数来更新 Q 值，并使用一种新的 <状态，动作> 组合来指导种群搜索过程。最终基于 RL-GA 提出了一 - AAAI基于数据驱动的框架用于指导组合优化求解器 (MIP-GNN)
提出了一种称作 MIP-GNN 的混合整数规划改进方法，利用图神经网络模型预测混合整数线性规划的变量偏差，并将其集成到一个先进的 MIP 求解器中，针对二进制 MILP 的节点选择和启发式方面展示了与默认设置相比的显著改进。
- 树集成中的最优反事实解释
本文提出了一种基于模型的搜索方法，利用混合整数规划技术生成了对树集的对抗性解释，并通过隔离森林模型针对低异常得分的合理解释进行优化。
- 学习选择剪枝以提高混合整数规划效率
本文提出了一种数据驱动的、可推广的割平面方法 Cut Ranking，用于选择多实例学习中的切割。通过训练一个由特征决定的评分函数，该方法被证明比传统的启发式算法更为有效，可适用于具有不同特性的多种问题，且在实验和在线 A / B 测试中效 - 基于联合权重量化和无线传输的异构移动设备能效联邦学习
本文旨在将联邦学习引入未来无线网络的设计中，为了在移动设备上进行能源高效的联邦学习提出了一种新颖的无线传输和权重量化的联合设计方法。通过建立混合整数规划问题，制定了灵活的权重量化计划，以最小化所有移动设备的联邦学习总能耗（计算 + 传输）， - 一种可扩展的基于 MIP 的学习最优多变量决策树方法
本文提出了一种新的基于支持向量机和 1 - 范数分多元决策树（ODT）训练的混合整数规划（MIP）公式，利用线性规划（LP）数据选择方法选择数据样本，实现了对大数据集的有效训练，并在包含 245,000 个样本的数据集上验证了该方法优于现有 - 具有右侧不确定性的 Wasserstein 模糊下的分布鲁棒的机会约束程序
本研究提出了一种基于混合整数编程的改进模型和两类合法不等式，用于加强 Wasserstein 模糊集下分布鲁棒机会约束规划（DR-CCP）的精确确定性混合整数规划（MIP）重构。相关实验结果表明，该改进模型和提出的合法不等式不仅可明显降低求