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。

本研究提出了一种结合图神经网络和强化学习的框架，以解决工厂作业车间调度问题。通过状态图表示调度问题，利用GNN进行学习并优化模型。实验结果表明，该模型优于传统调度方法，具有良好的泛化能力。

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。

本文研究了基于深度强化学习的调度问题，提出了优化算法以减少训练时间并提高性能。同时探讨了语义通信框架、图像传输中的多模态度量和机器人群通信，提出多种算法以优化资源分配和降低延迟，并验证了其有效性。

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。