本研究提出了一种基于深度神经网络的统一机器学习方法，用于预测单台机器调度问题的高质量解决方案，并通过在线学习进行进一步优化。实验结果表明该方法有效。

本研究提出了一种基于Q学习的自适应大邻域搜索算法（Q-ALNS），用于解决混合服务模式码头的卡车分配与调度问题。该模型有效集成了码头模式决策与卡车调度，显著降低了平均延误和周转时间，能够适应需求变化。

本研究提出了ALISE框架，旨在解决大语言模型服务系统中的调度问题，通过优化作业优先级来减少排队延迟。实验结果表明，在相同延迟下，ALISE显著提高了推理服务的吞吐量。

这篇综述介绍了图神经网络在调度问题中的应用，包括作业车间调度和流水车间调度，并重点研究了深度强化学习方法。作者回顾了各种问题类型的GNN方法，并总结了GNN在解决调度问题中的优势和局限性，提供了未来研究机会。

本文介绍了一种基于约束编程和强化学习的端到端解决调度问题的方法，通过神经网络架构和训练算法，在七个JSSP数据集上展示了比静态PDRs和CP求解器更高质量的解决方案。

该论文介绍了一种机器遗忘算法，用于移除已训练预测器中原始数据集的影响。算法考虑了遗忘完整性和性能衰减之间的权衡，并解决了调度和再调度问题。通过模拟验证了算法在负载预测器上的性能。