本文研究了多目标进化算法（GSEMO-C）在子模最大化问题上的应用，证明其在多项式期望时间内能够实现良好的近似效果。同时探讨了三目标公式在动态约束背包问题中的优势，以及滑动窗口加速技术在最大覆盖问题中的应用。研究表明，MOEA/D算法在多目标优化中表现优越，并提出了一种基于子网络的算法用于卷积神经网络裁剪，具有广泛的应用价值。

本文综述在线凸优化（OCO）的研究进展，涵盖分散式D-OCO算法（降低遗憾界并证明下界）、随机约束算法在数据中心调度中的应用、基于历史损失建模的记忆容量量化、相对Lipschitz与强凸性研究、拟阵约束下的子模最大化、约束OCO向凸-凹优化的转化、对抗时变约束算法、任意延迟非平稳OCO、连续次模函数的Frank-Wolfe变体，以及带切换成本的有限信息OCO竞争比分析。

该文综述拟阵约束下的赌博与子模最大化研究，涵盖Best-Basis纯勘探、matroid bandits的OMM算法、k-次模函数逼近、公平性子模最大化、动态维护4+ε近似、匹配约束优化及预算半强盗遗憾改进，兼顾质量、公平与效率。