本研究提出了CONSTRUCTA框架，利用大型语言模型（LLM）自动化商业建筑施工调度，解决了传统调度中的复杂性和人工干预不足的问题。该框架通过整合建筑知识和上下文采样技术，显著提升了调度优化性能，展示了在建筑工作流变革中的潜力。

本研究探讨了自然语言指令中的模糊时间要求对传统机器人系统的挑战，并提出了“模糊技能”以优化调度。研究结果表明，梯形函数能够有效近似用户对执行时间的满意度，且用户对未来执行要求表现出更大的宽容度。

本研究探讨了多智能体强化学习（MARL）在不相关并行机器调度中的应用，并比较了MARL与单智能体算法的表现。结果表明，多智能体PPO算法在可扩展性方面表现良好，但在协作学习上面临挑战，为调度优化提供了新视角。

本文介绍了名为LAUDNet的框架，用于提高深度网络推理效率。该框架集成了三个动态范例，通过算法设计和调度优化来准确衡量动态操作延迟。在多个视觉任务上测试表明，LAUDNet能够显著降低ResNet-101等模型的延迟超过50％，并在准确性和效率之间取得良好的平衡。