本研究结合元启发式算法、传统分类器和神经网络，解决机器学习中的数据不足问题。实验表明，仅依赖标记数据集的验证准确率无法纠正未见数据的标签，这对未来数据挖掘技术有重要影响。

论文提出利用大型语言模型作为模式识别工具来增强元启发式算法。在社交网络优化测试中，该方法的解决方案质量优于现有方法。作者指出LLMs的潜在缺陷，并建议进一步研究。

本研究提出了HRA框架，通过收集性能指标和利用等级归一化及TOPSIS聚合方法，解决了比较和评估元启发式算法的难题。研究表明HRA能够有效增强算法比较的解读，帮助实践者选择最合适的优化算法。

本文探索了将元启发式算法和神经网络求解器相结合应用于组合优化中的运输网络设计问题。实验结果显示，混合算法在现实问题实例上的性能比单独的学习策略提高了20％，比原始蜜蜂群优化算法提高了53％。对修改后的算法的每个组件进行了削减实验以研究其影响。

该研究提出了一种基于自回归学习的元启发式算法自动设计器，通过自动生成序列，全面发现元启发式算法的潜力并利用先前的设计经验，解决开放式问题。该设计器生成的算法在25个测试问题中超过了所有人类设计的基准算法，适应不同问题处理环境并显示多样结构和行为。

塔布搜索是一种用于解决优化问题的元启发式算法，通过保持搜索过程的短期记忆，有效地探索解空间。它使用tabu列表记录最近使用过的移动或变换，防止搜索返回到精确的解决方案或陷入循环。该算法适用于旅行推销员问题、车辆路由问题和时间安排调度等优化问题。塔布搜索能够灵活适应不同的问题，并能够迅速提供高质量的答案。问题特征和参数选择对其性能有重大影响，选择合适的邻域结构可能会比较困难。

本文研究了基于Transformer的神经网络模型在负荷预测中的效果，并通过多种元启发式算法比较了各模型的性能。结果显示，元启发式增强的Transformer-based神经网络模型在负荷预测准确性方面表现出潜力，并提供了最佳超参数。