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。

该论文提出了一种自适应重要性抽样算法（AIS-BN），在极端条件下展现出优越的收敛率和精度。研究了贝叶斯网络中的MAP问题，提出了通用的MAP近似框架和基于模拟退火的AnnealedMAP算法，解决了NP难问题。此外，还探讨了贝叶斯网络中的敏感性分析及从用户知识中学习的算法，提出了新的MAP解的概率上限及其应用。

本文探讨了黑盒机器学习模型的可解释性，提出了多种方法，如基于模拟退火的程序归纳、if-then规则学习和混合模型设计。研究强调在解释模型时需考虑底层分布，并提供了评估可解释性的框架和标准，以推动该领域的研究与应用。

本文介绍了动态 DP-SGD 算法，通过调整剪裁阈值和噪声幅度来提高模型准确性并保护隐私。研究了不同 DP 算法在非凸优化中的应用，提出了一种基于模拟退火的差分隐私随机梯度下降方案，实验证明其在多个数据集上优于现有方法。

本研究提出多种优化算法解决调度问题，包括自适应遗传算法、强化学习与遗传算法结合的方法，以及双阶段进化算法，旨在提高调度效率、减少旅行距离和加班时间，适用于港口和炼油厂等实际场景。实验结果表明，这些方法在性能上优于传统算法。

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。