本书总结了作者近年来在学习优化方法领域的研究成果，在系统梳理学习优化方法发展的基础上，全面介绍了面向组合优化的学习优化方法研究进展，内容涵盖当今流行的机器学习和大语言模型方法。本书系统介绍了学习优化的发展现状、单目标优化学习优化方法、多目标学习优化方法、动态鲁棒问题的学习优化方法、学习优化约束处理方法及迈向学习优化基础模型；并在大语言模型快速发展的人工智能新时代，展望面向复杂组合优化问题的学习优化方法新进展。

更多科学出版社服务，请扫码获取。

1995-2002年，中山大学计算机学院，本科，硕士；2002-2005年，富山大学（日本），工学博士2005至今 中山大学数据科学与计算机学院 教授人工智能在IEEE Transactions，AAAI等国际知名期刊和会议上发表系列文章，共100余篇。大数据与计算智能研究所所长，大数据分析与应用技术国家工程实验室大数据高性能分析处理中心主任。

目录
序一
序二
序三
丛书序
前言
第1章 绪论 1
1.1 优化问题与优化方法概述 1
1.1.1 基于数学规划的精确方法 2
1.1.2 启发式方法和元启发式方法 3
1.1.3 学习优化方法 3
1.2 机器学习方法概述 5
1.3 优化与学习的融通共进 8
1.4 面向组合优化的学习优化方法研究进展 10
第2章 单目标学习优化方法 13
2.1 预备知识 13
2.1.1 强化学习建模 13
2.1.2 策略网络模型 14
2.1.3 强化学习训练算法 18
2.1.4 推断阶段的解构造策略 18
2.2 利用知识蒸馏的可泛化方法 19
2.2.1 车辆路径问题及其分布泛化问题 19
2.2.2 算法框架 25
2.2.3 实验与分析 34
2.2.4 小结 44
2.3 基于偏好优化的训练范式 44
2.3.1 作业车间和灵活作业车间调度问题 45
2.3.2 算法框架 48
2.3.3 实验与分析 55
2.3.4 小结 64
第3章 多目标学习优化方法 65
3.1 预备知识 66
3.1.1 多目标组合优化问题 66
3.1.2 多目标优化解集的评价指标 71
3.1.3 传统多目标组合优化方法 72
3.1.4 神经多目标组合优化方法 75
3.2 高效元学习方法 79
3.2.1 方法 80
3.2.2 实验与分析 87
3.2.3 小结 96
3.3 权重嵌入方法 97
3.3.1 方法 99
3.3.2 实验与分析 104
3.3.3 小结 115
3.4 多模态特征融合方法 115
3.4.1 方法 117
3.4.2 实验与分析 122
3.4.3 小结 132
3.5 多样性增强方法 133
3.5.1 方法 134
3.5.2 实验与分析 140
3.5.3 小结 151
3.6 权重相关的学习提升方法 152
3.6.1 学习提升框架 152
3.6.2 权重相关策略网络 154
3.6.3 实验与分析 162
3.6.4 小结 170
第4章 动态鲁棒问题的学习优化方法 171
4.1 动态问题的学习优化方法 171
4.1.1 动态旅行商问题 171
4.1.2 注意力模型 177
4.1.3 实验与分析 184
4.1.4 小结 191
4.2 鲁棒问题的学习优化方法 191
4.2.1 鲁棒车辆路径问题 192
4.2.2 端到端深度强化学习方法 198
4.2.3 实验与分析 204
4.2.4 小结 213
第5章 学习优化约束处理方法 214
5.1 两阶段约束处理方法 214
5.1.1 非对称带时间窗的电动车车辆路径问题 214
5.1.2 求解方法 218
5.1.3 实验与分析 227
5.1.4 小结 234
5.2 可行性和多样性引导的约束处理方法 235
5.2.1 复杂约束路径问题 235
5.2.2 约束处理方法 238
5.2.3 实验与分析 244
5.2.4 小结 250
5.3 基于偏好优化的约束处理方法 251
5.3.1 复杂约束路径问题 251
5.3.2 通用约束偏好优化方法 256
5.3.3 实验与分析 260
5.3.4 小结 266
第6章 迈向学习优化基础模型 268
6.1 知识共享的专家组合方法 268
6.1.1 24个车辆路径问题变种 268
6.1.2 跨任务求解方法 271
6.1.3 实验与分析 276
6.1.4 小结 281
6.2 端到端学习优化基础模型 282
6.2.1 基于LLM的端到端优化求解器 284
6.2.2 性能提升方案 287
6.2.3 小结 288
6.3 总结和展望 288
参考文献 292