软件产品线中解决优先级成对测试数据生成问题的 CMSA 算法
内容提要
该文汇总多项研究，涵盖算法选择决策树、DCSAT框架、对称学习、稳定婚姻与医院/住院医师问题的整数线性规划模型、两步检验框架、共享内存数据分配与任务调度、机器学习预测分子性质、ASP/约束编程/整数规划比较、TOPSIS软件可维护性预测及最大权独立集局部搜索算法。
延伸解读
整数规划在算法选择中的泛化优势
文章提到基于整数规划构建决策树用于算法选择，实验显示该方法泛化性能好且未过度拟合。这提示读者，在算法选择问题中，整数规划不仅能提供精确的优化框架，还能通过决策树结构避免过拟合，适合需要稳健预测的场景。
DCSAT框架的统一性与搜索剪枝
DCSAT框架结合整数规划和强化学习，统一处理MaxSAT、Weighted MaxSAT等布尔可满足性问题。其基于0-1整数规划和蒙特卡罗树搜索，能剪枝不必要的搜索空间，找到最优布尔赋值，并为监督学习提供多样标签。这为SAT问题的求解和标签生成提供了新思路。
稳定婚姻问题的模型扩展与求解比较
文章涉及稳定婚姻问题及其多对一变形，提出了新的整数线性规划模型，并比较了Answer Set Programming、约束编程和整数线性规划等方法。对于最大基数变体，还比较了局部搜索方法。这表明不同求解技术各有适用场景，读者可根据问题规模和结构选择合适方法。
跨领域优化方法的共性
从共享内存任务调度到分子性质预测，再到最大权独立集问题，文章汇总的研究均采用整数规划、局部搜索或机器学习等优化方法。这反映了优化技术在不同领域的通用性，读者可关注这些方法在自身领域的迁移潜力。
Q&A
什么是DCSAT框架？它用于解决哪些问题？
DCSAT是一个基于整数规划和强化学习的统一框架，用于解决不同类型的布尔可满足性问题，包括MaxSAT、Weighted MaxSAT、PMS和WPMS等。它通过调整目标函数系数构建统一的整数规划表示，并基于0-1整数规划构建强化学习模型，应用蒙特卡罗树搜索（MCTS）来找到最优布尔赋值。
如何用整数规划方法构建算法选择决策树？
本文提出基于整数规划的方法来构建用于算法选择问题的决策树，并使用COIN-OR Branch & Cut solver实现的线性规划算法进行实验。实验结果表明，该方法具有很好的泛化性能且未过度拟合。
在共享内存平台下，如何解决内存限制下的数据分配和任务调度问题？
本文提出了一个整数线性规划模型和基于禁忌搜索算法的可行解决方案，并在随机生成的实例上验证了该方法的有效性。
对于带有并列关系的稳定婚姻问题及其多对一变形，有哪些新的整数线性规划模型？
本文提出了可用于求解实际应用和大规模随机生成情况下的Stable Marriage problem with Ties以及其多对一的变形Hospitals / Residents problem with Ties的最优化问题的新整数线性规划模型，并优化这些模型以求解这些问题。
如何通过机器学习预测分子性质以优化化合物？
本文提出了一种可通过机器学习构建预测函数，利用分子结构与化学空间数据的预测模型以优化化合物的化学性质。
在解决变化的稳定婚姻问题时，ASP、约束编程和整数线性规划等方法有何比较？
本文研究了一个变化的稳定婚姻问题，其中每个男人和每个女人都将他们的偏好表达为可能不完整且包含并列关系的偏好列表，考虑了三种优化变体，并通过比较Answer Set Programming、约束编程和整数线性编程等方法来解决这些问题。对于最大基数，还比较了这些方法与局部搜索方法。本文还对Answer Set Programming与命题可满足性进行了实证比较。
