本研究提出了利用标签信息生成聚类算法解释的新方法，采用析取形式和合取范式，通过整数线性规划和启发式方法实现，实验结果表明该方法可行且具良好可扩展性。

本研究提出了一种基于行动成本的计划模型和启发式方法，以提升数据管道部署中的资源分配效率，实验结果表明其优于基线方案。

本研究提出了“希望者”系统，结合混合整数规划和启发式方法，自动生成猜想、重新发现定理并提出新不等式，展示了发现基础结果的潜力。

本研究提出了UniLP模型，结合启发式方法和参数化模型，自动识别图表连接模式，适用于未知数据集。通过In-context Learning解决连接模式冲突，实验证明其在链接预测中表现优异，展示了两种方法结合的潜力。

本文研究了在线组合优化问题，特别是在线最短路径问题，解决了COLT 2015的开放问题。同时探讨了布尔可满足性问题，提出了新的算法和启发式方法，显著提高了求解效率和准确性。

该研究提出了一种基于机器学习的框架来扩大组合优化算法，并使用可解释的学习模型来提供更深层次的洞见，以设计更好的启发式方法。在最大团枚举问题中展示了该框架的性能，并从中获得启示设计了一种新的启发式方法。

本研究提出了一种新的语法和语义，用于在ASP中实现领域特定的启发式方法。实验结果表明，组合懒惰打地基ASP求解和启发式方法对解决工业规模问题至关重要。

本文介绍了一种基于列生成的启发式方法来学习决策树，以解决机器学习中的分类问题。该方法能够减少多类别分类实例中的子问题数量，并改进数据依赖约束和线性规划松弛解的分离模型，从而提高可扩展性。

作者讨论了API和消息传递作为整合服务的两种常见方式，选择取决于团队知识和工具、同步响应需求、长期运行的执行和依赖性等因素。作者提出了一些启发式方法来帮助决策，但强调这些因素是主观的。