组合优化(CO)是计算机科学、人工智能(AI)和运筹学的基石。它在从机组人员规划到运动日程安排和的工业应用中取得了广泛的成功。虽然CO过去是大多数人工智能研究的基础，通过可满足性问题(SAT)，现代人工智能研究已经转向更多的概率方法，并且这两个领域之间的联系已经减弱。然而，在过去的五到十年里，人们对使用机器学习方法改进组合优化的兴趣又强烈起来。

我们推荐的教程《MACHINE LEARNING &COMBINATORIAL OPTIMIZATION》，旨在向观众介绍这一令人兴奋的不断发展的领域。作者相信，听众将从提出的教程中获益良多，因为它将布局这个研究空间的视角，不同的ML技术在CO设置中的优点，以及各种受益于ML使用的CO任务。作者还将引入一个新的开源库，Ecole，旨在方便该领域的新人访问。虽然本教程将主要关注作为CO的具体数学框架的混合整数规划，作者也将接触到MIP和其他约束推理框架之间的关系，如可满足性(SAT)和约束满足性(CSP)，因为将提出的大多数思想都将适用于这些框架。

内容中包含的图片若涉及版权问题，请及时与我们联系删除