本研究提出了蒙特卡洛树扩散(MCTD)框架，结合扩散模型与蒙特卡洛树搜索，解决了传统扩散模型的可扩展性问题。实验结果表明，MCTD在长期任务中优于现有基线，并在计算量增加时提供更高质量的解决方案。

本研究提出了一种创新的蒙特卡罗树搜索（MCTS）方法，旨在优化作业车间调度问题（JSSP），特别是减少加权作业完成时间。实验结果表明，MCTS在处理大规模JSSP时能有效生成高质量解决方案，优于传统的约束编程方法。

JuDec是一种为大型语言模型赋予自我判断能力的方法，能够实现自主决策和探索。实验结果显示，JuDec在各种任务中相比基准模型具有优势，通过率提高了10%以上。该方法提供了高质量解决方案并降低了成本，显示出其有效性和高效性。

在写Prompt时，设定角色扮演非常重要。GPT在训练过程中接触到各种质量不一的数据，生成的结果可能是高质量和低质量解决方案的概率均等分布。但当告诉GPT你是某个领域的专家时，它会尽力将概率分布在高质量解决方案上。使用逐步思考或以一步一步的方式解决问题的提示可以取得良好效果。可以要求LLM提供高质量的解决方案，但不要要求过高的智商，需要找到适当的智商要求。