本研究提出了一种新方法，通过大语言模型（LLM）生成特定领域的启发式函数代码，以提升规划能力。结果表明，这些生成的启发式算法在未见测试任务中优于现有的状态独立启发式算法，甚至在某些领域超越了高级优化程序的效率。

本文研究了多旅行商问题（mTSP），提出了一种双阶段启发式算法ITSHA，实验结果表明其在多目标优化方面优于现有算法。同时，研究还探讨了公交运输系统的最优路径、老年人友好线路规划及公交出行特征提取方法，展示了多种算法在实际应用中的优势。

该研究提出了多种优化方法，利用树分解技术、启发式算法和归纳逻辑编程，显著提高了程序的求解效率和学习能力。通过引入高阶抽象和权重系统，改善了人工智能的抽象能力和预测准确性，并展示了在多个领域的应用效果。

本文探讨了描述逻辑及其推理的计算复杂性，包括可判定性和复杂度的多种情况。研究了不同逻辑的组合复杂性，提出了高效的模型采样算法，并探讨了广义一阶决策图的启发式推理算法及其应用。

本文探讨了部分可观测马尔可夫决策过程（POMDP）的近似方法及其性质，提供了自主代理在不完全信息环境下的规划解决方案。研究表明，基于多模式信念的策略和POMDP-lite模型在机器人任务中表现优越，并提出了有效的启发式算法以降低计算复杂度。

我们提出了三种新颖的图表示方法，用于使用图神经网络（GNN）指导搜索，以学习与领域无关的启发式。实验表明，我们的启发式算法适用于训练集之外的更大问题，并超过STRIPS-HGN的启发式算法。

该文介绍了使用机器学习模型改进 SAT 求解器的启发式算法，以减少步数和总运行时间。作者建议使用训练好的机器学习模型进行几个初始步骤，然后将控制权交给经典启发式算法，以简化 SAT 求解的冷启动。作者还介绍了一种改进的 Graph-Q-SAT，专门针对从其他领域转换而来的 SAT 问题。作者通过随机和工业 SAT 问题验证了该方法的可行性。

SAT问题是一个基础的NP-complete问题，建议使用机器学习模型改进启发式算法，减少运行时间。介绍了改进的Graph-Q-SAT，验证了方法的可行性。