- 分析 D'WAVE 量子退火器的行为：微调参数化及采用限制哈密顿公式的测试
本研究着重于对量子退火器在解决实际组合优化问题时的行为进行深入研究和实验，通过对参数的敏感性分析和基于 200 多种参数配置的 3700 次以上的酉运行和 700 万次量子读取，得到与能量分布和最适宜的参数设置相关的发现，从而为非专业利益相 - plingo: 一种基于 lpmln 的 Clingo 概率推理系统
Plingo 是基于 ASP 的 LP^MLN 的概率扩展，并可以映射到优化问题，提供了三种使用不同输入语言和推理模式的前端。通过基于新的方法的近似技术，将 LP^MLN 重新实现为现代 ASP 技术的核心。我们通过与其他概率系统进行比较， - 解决组合复杂度高的长视界深度强化学习任务的挑战
通过提出一系列机器人任务，不需要额外的专业探索便可解决的优化问题，研究发现标准强化学习方法往往由于折扣而忽视长期影响，而通用层次强化学习方法则需要额外的抽象领域知识。
- 可解释元启发式算法：挖掘代理适应度模型以确定变量重要性
通过使用基因算法（GA）生成的种群数据训练代理模型，探究代理模型对搜索空间的学习，最终建立 GA 的学习过程和所提出方案的解释，以提高用户对方案的信任和采纳度。
- 数字模拟量子退火器与经典进化算法的比较
本文探讨了应用特定硬件、量子和量子灵感求解器对组合优化问题 QUBO 变形进行优化是否比应用经典进化算法在其自然表示中求解同一问题更快，并证实了 Fujitsu Digital Annealer 在旅行商、二次分配和多维背包问题实例上比遗传 - 递归迭代问题中的分支学习方法预测与优化
本文提出了 Branch & Learn 框架，用于通过构造递归算法来直接建立相应的学习算法并解决包含未知参数的优化问题。经过广泛的实验，我们的提议表现优于经典方法和现有技术。
- 将 Lipshitz 和 RBF 替代模型组合应用于高维计算密集型问题
本文提出了基于 Lipschitz 低估的代理模型，结合标准径向基函数代理模型和局部搜索程序，开发了一种差分进化算法，名为 Lipschitz Surrogate-assisted Differential Evolution（LSADE） - 通过群体精英选择实现有效的突变率适应
本文提出了一个名为 Group Elite Selection of Mutation Rates (GESMR) 的算法，使用协同进化技术来解决自适应设计中的变异率问题，实现更好的进化性能。通过广泛的测试优化问题，以及高维度的神经进化学习 - AutoOpt: 一种自动设计元启发式算法解决优化问题的方法 ological 框架
本研究针对优化问题，提出了一种基于自动设计元启发式算法的方法学框架 AutoOpt，该框架包含具有良好性能的算法性能评估标准、算法设计决策空间的一般架构、设计算法所用的混合图和实数表示以及无模型方法来进行设计过程。实测结果表明，AutoOp - 供应网络的信念传播：因子图的高效聚类
本文提出了一种系统性的方式来对 naively 分配的因子图进行循环聚类，从而消除短路的影响，以提高 BP 算法在供应网络中的性能表现，实现了对供应网络中状态估计和优化问题的快速、可靠计算。
- Design-Bench: 基于数据驱动的离线模型优化基准测试
Design-Bench presents a benchmark for offline model-based optimization (MBO) with high-capacity deep neural networks usi - 物理学启发的元启发式优化技术概述
本章节系统讨论了模拟非线性物理过程的基于物理的元启发式算法，重点介绍了几种物理学基础元启发式算法及其背后的独特物理过程
- 区域化优化
我们提出了一个理论框架，用于在给定函子的约束条件下从局部损失的集合中非冗余地重建全局损失，我们称其为区域化损失，是优化问题的自然数学框架，提出了新的消息传递算法，用于嘈杂通道网络的最小化问题，并将广义置信传播算法纳入我们提出的框架。
- AAAI通过参考集合快速稀疏决策树优化
通过使用智能猜测策略，我们可以在几个数量级的时间里降低运行时间，提供对最佳决策树误差和表达能力偏差的界限，并在许多情况下快速构建与黑盒模型的匹配精度的稀疏决策树。
- 利用 POP 高效解决大规模粒度资源分配问题
本文提出了一种名为 POP（Partitioned Optimization Problems，分割优化问题）的技术，通过随机分割问题，将任务分为较小的子问题，然后将子分配合并成全局分配，从而实现了资源分配问题的优化。实验表明，与现有的群集 - ICLR使用恒定大学习率的 SGD 可收敛于局部最大值
本文研究了随机梯度下降（SGD）算法的全局最优性，在探究了之前研究的局限性之后，发现在一些情况下，SGD 可能表现出奇怪且不可取的行为。作者通过构建高维度的优化问题及数据分布，证明了 SGD 在大多数情况下会收敛到局部最大值，逃离鞍点所需时 - MM无线网络中图神经网络应用综述
本文简要介绍了 GNN（图神经网络）的构建方法和在无线网络中的应用，包括资源分配和新兴领域的探索，并探讨了 GNN 在无线通信系统中应用的几个研究方向和趋势。
- 学习困难优化问题：数据生成的视角
本论文研究了通过机器学习解决 NP 困难问题的可行性，指出了训练数据的易变性及其对模型的影响，并提出了改进的方法来适应这个问题。该方法被应用于非线性、非凸、离散组合问题的求解，取得了有效的结果。
- 高效模块化的隐式求导
该论文提出了自动隐式微分，一种隐式微分优化问题的高效且模块化的方法，将隐式微分和自动微分的优点结合起来，可应用于包括双层优化问题和分子动力学的敏感性分析等的各种应用领域。
- AAAI伴随明确策略评估的逆强化学习
本文介绍了一种将机器学习和经济学中互相独立发展的求解逆强化学习问题的不同方法联系起来的方法，发现了它们属于一类共同形式目标、策略和目标梯度的优化问题，探究了不同方法的适用场景和算法效率。