本文研究了卫星转发器链路配置的优化，比较了强化学习算法PPO与模拟退火的效果。结果表明，尽管模拟退火在静态问题中表现更佳，但强化学习在优化问题上也显示出潜力，为卫星通信资源配置提供了新思路。

现代炼油厂中的大规模原油调度问题（LSCOSPs）难以通过传统的优化方法解决。研究者提出了一个由启发式规则驱动的双阶段进化算法（DSEA/HR），在实际原油调度中进行了建模和优化。实验结果表明，DSEA/HR 在合理的时间内优于现有的数学规划方法和元启发式算法。

本文介绍了一种基于Haar散射变换的方法，用于在未知图形几何的情况下对高维数据进行分类。该方法通过计算不变的信号描述符，并通过深度级联计算正交Haar小波变换来实现。同时，还介绍了一种用于无序图形上采样的多尺度邻域估计方法，并对通过降维实现的监督分类进行了测试。

本文介绍了一种基于概率潜变量图的鲁棒性特征选择算法，能够在不同场景和难度下获得最高性能水平，并设定了一个新的最佳状态。

本研究提出了一种名为SALSA的快速双引擎调度程序，以支持DNNs的最优执行时间，并结合模拟退火的策略解决了循环排序设计空间大小的动态性问题。在5种不同的DNN上进行广泛的基准测试，与LOMA相比，SALSA的能源降低了11.9％，搜索速度提高了1.7倍，与Timeloop相比能源降低了7.6％，搜索速度提高了24倍。

局部最优是指在小邻域内的最佳解决方案，全局最优是考虑所有可能的解决方案的最优解。模拟退火是优化搜索算法的技术，微积分可用于找到连续函数的局部最优值。搜索技术从初始配置开始，反复移动到改进的相邻配置。局部最优可以是孤立的或高原的一部分。