本研究比较了SMT和MILP在护士排班问题上的应用，发现SMT在多样化班次中表现优越，而MILP在高度约束问题下更有效，为未来的人员调度研究提供了新思路。

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。

本研究解决了现有机器学习方法在混合整数线性规划（MILP）问题中可行性不足的挑战。提出一种新颖的基于强化学习的求解器，设计专门针对MILP的奖励函数，从而使智能体能够学习决策变量与约束之间的关系。实验结果表明，该方法能有效解决MILP问题，并在无需传统求解器的情况下找到近似最优解。

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%。

Distributional MIPLIB是一个用于推进基于机器学习引导的MILP方法研究的多领域问题分布库。通过分类和评估现有工作和未使用的实际问题，提供了全面的研究便利。实证结果表明，使用Distributional MIPLIB作为研究工具可以在数据有限且能推广到较大实例时实现更好的性能。

该研究提出了一种新的模型CML，用于处理多行为数据中用户和物品之间的关系。该方法通过对比损失获取可传输知识，解决了个性化多行为模式和匮乏监督者信号的问题。该方法在三个真实世界数据集上表现出了卓越的性能。

DIG-MILP是一种基于VAE的深度生成框架，能从有限的MILP数据中提取深层结构特征并生成相似实例。实证研究表明，DIG-MILP生成的实例质量高，具有新颖性，适用于数据共享和数据增强等下游任务。

该文介绍了一种基于数据驱动知识融合的深度多实例学习算法（DKMIL），使用知识融合模块和两级注意力模块提高分类效果。实验结果证明了该算法的可扩展性和有效性。