今年参加了 Advent of Code，主要使用 C 语言编程。第 9 和 10 天的挑战最大，尤其是第 10 天的整数线性规划问题。第 11 天用 Python 解决了问题，发现了邻接表的表示方法。第 12 天在样例测试时遇到时间爆炸，经过剪枝后成功通关。今年只完成了 12 天，距离圣诞节还有 13 天。

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。

ARLO方法旨在解决自然语言软件需求中的冗长、模糊和不一致问题。它利用自然语言需求和大型语言模型，自动将需求映射到架构，识别相关需求子集，并通过整数线性规划确定最优架构，以支持软件架构的选择与评估。

本研究提出了一种基于整数线性规划（ILP）的方法，优化化学领域的分子机器学习训练集选择。通过局部相似性选择分子，显著提升了大分子属性的预测性能，推动了物理启发式机器学习模型的发展。

本文探讨了电子元件制造中的并行批量调度问题，提出了利用约束编程和整数线性规划解决NP难度问题的模型。研究包括多次求解算法和Pareto优化算法HIPPO在换热器设计中的应用，旨在提升调度效率和可靠性。此外，介绍了一个多期调度模型，优化生产时间和人员排班，并通过实际案例验证了模型的有效性。

本文介绍了一种内存高效适应预训练语言模型的方法，通过迭代算法将预训练矩阵分解为高精度低秩部分和内存高效的量化部分。在微调过程中，只更新低秩部分，量化部分保持固定。通过整数线性规划形式动态配置量化参数，实现在总体存储器预算下的量化。实验结果表明，该方法在适应不同模型时优于其他基准方法，并能实现更激进的量化。

该研究介绍了一种新的决策框架，利用整数线性规划将各种模型的预测映射为全局归一化和可比较的值，并结合决策的先验概率、置信度和模型的预期准确性的信息。实证研究证明该方法在多个数据集上优于传统基准。

本论文利用图论和整数线性规划扩展平衡理论原则，解决了联邦学习生态系统中的利益冲突问题，并通过实证研究证明了该方法在解决数据异质性和竞争性冲突方面的有效性。

本研究论文提出了一种创新的机器学习增强的降落调度方法，通过分析飞行到达延误的情景，发现了到达飞行时间持续的多峰分布和聚类。使用整数线性规划求解旅行推销员问题，确保可靠性。实验证明，总降落时间平均减少了17.2％。

该研究提出了一种通过分割选择方法实现大规模三维细胞追踪的方法，能够解决数百万分割实例的三维时间数据集的问题，并且不依赖稀缺的三维标注数据，达到竞争水平。该方法通过分割假设的层次结构计算细胞轨迹和分割，并通过最大化相邻帧之间的重叠来选择不相交的分割。该方法在细胞追踪挑战中实现了最先进的结果，并且拥有更快的整数线性规划公式。该框架灵活性强，支持来自现成细胞分割模型的分割，并能够将它们组合成一个提高追踪效果的整体。

本文提出了一种用于从数据中挖掘约束条件的框架，通过整数线性规划问题考虑结构化输出预测中的推断，并通过估计可行集的多面体来挖掘底层约束条件。所提出的约束挖掘算法在各种应用中得到验证。

本文介绍了图像检索方法的限制，并提出了一种解决方案，通过对深度学习产生的标记进行语义细化和扩展，使用整数线性规划来解决该问题。实验表明，该方法可以改善可视化标记工具的质量。