本研究提出了一种知识增强的混合整数线性规划自动建模框架，旨在解决动态生产约束下多机器人系统的任务分配和数据隐私问题。实验结果表明，该框架在航空器皮肤制造中实现了成功的自动建模。

本研究提出了一种新颖的神经网络训练方法，结合混合区域可达性分析和混合整数线性规划的梯度信息，解决安全关键应用中输出约束执行困难的问题。该方法的计算复杂度与线性规划相当，显著提高了训练效率。

本研究提出了一种新的多任务学习框架，解决了现有机器学习指导的混合整数线性规划（MILP）方法的独立性问题，显著提高了模型的可扩展性和适应性。

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MILP-StuDio框架，解决了现有混合整数线性规划实例生成方法未考虑块结构的问题，生成高质量实例，确保可行性和计算难度，显著减少求解时间超过10%。

本文研究了一种基于参数调整的混合整数线性规划（MILP）问题的解法，提出了结合图卷积神经网络和强化学习的自适应割集选择算法。实验结果表明，该算法在切割选择中表现优异，显著提高了求解效率。此外，研究探讨了机器学习在割平面选择中的应用，提出了新的层次序列模型（HEM）和基于增强学习的混合图表示模型（HYGRO），有效解决了切割选择中的多个挑战。

本文探讨了使用决策树解释黑盒模型的方法，提出了一种新算法以避免过拟合，提升模型的准确性和可解释性。同时，研究了基于强化学习的优化方法，解决混合整数线性规划中的变量选择问题，证明了其在性能和可解释性上的优势。

该研究提出了一种基于行为树的动态角色分配和协同任务规划的新型架构，使用混合整数线性规划来指定团队中个体的角色或协作。该架构通过增强现实用户界面实现了人 - 系统之间的双向通信，以协调处理不同操作阶段的工人，并通过主观评估证明了该架构的高可用性和适用性。