本研究提出了CodePDE框架，将偏微分方程的求解视为代码生成任务，利用先进的推理算法生成高性能求解器，展现出准确性和效率的优势，为未来的求解器设计提供了新的视角。

本研究提出了一种简单的调度方法，通过迭代选择在未解决问题上表现最佳的算法，优化数值黑箱问题的求解器调度，成为动态算法选择模型的基准。

本研究提出了一种新的、更紧的上界价值界限，以提高部分可观察马尔可夫决策过程（POMDPs）求解器的性能。尽管计算成本较高，但实证评估表明这些新界限在多种基准测试中加速了求解过程。

本研究提出了ρPOMCPOW，一个动态精炼信念表征的任意求解器，旨在解决现有在线ρPOMDP求解器在连续空间中的适应性和精炼性问题。实验结果表明，ρPOMCPOW在效率和解决方案质量上优于现有方法。

该研究提出了一种迭代的图神经网络框架，解决了现有方法在凸优化中的可行性保证问题。实验结果显示，该方法在解的质量和可行性上优于现有神经基线，并在某些情况下速度超过了最先进的求解器。

本研究探讨了单眼深度估计模型在相对姿态估计中的应用不足，提出三种求解器，结合经典方法显著提升了深度估计效果。实验结果表明，该方法在不同条件下优于传统解决方案。

本研究引入图神经网络（GNN）架构，预测现代混合整数线性规划（MILP）求解器的最优目标值或当前解的最优性。实验结果表明，该方法准确率高，超越现有技术，为机器学习在MILP求解器中的应用开辟了新方向。

本研究提出了一种新型生成与测试框架，显著提高了逻辑程序求解器的效率，测试候选方案数量减少，求解器性能提升约3.3倍，解决了91%的更多实例。

本研究提出了一种名为ImDy的人体逆向动力学工具，基于模仿观察，克服了传统方法的局限性。ImDy提供超过150小时的运动数据，并训练出高效的求解器ImDyS，展示了在逆向动力学和地面反作用力估计中的优越性能，推动了运动分析的发展。

本文介绍了一种优化线性模型对抗训练的新算法，解决了大规模训练时的低效问题。通过专用求解器，提高了回归和分类问题的训练速度和效率，增强了线性模型在对抗环境下的表现。

为了提高神经车辆路径问题（VRP）求解器的可行性，设计了一个辅助策略，通过学习本地可转移的拓扑特征来改善神经 VRP 求解器的表现。实验证明，这个集成策略在基准测试中表现出更好的泛化性能，并且在真实世界问题上也能工作得很好。