围绕埃尔德什莫泽问题、作业车间调度、旅行商等一系列典型优化难题，该组借助AI Agent实现了从文献调研、代码生成到算法组合的闭环验证。在车间调度测试中，其构建的混合优化框架将最大完工时间由2307秒降至1822秒（提升约21.03%），并完成了 AI 算子自适应大邻域搜索机制的理论与实践探索。

该组以装箱问题为统一数学底座，借鉴扩散去噪思想设计动态扰动调度，引入Bandit机制自适应选择修复算子。在Falkenauer全集测试中，该方法相对最佳适应递减算法取得了“47胜、113平、0负”的优势，展现出较强的稳定性，并延展至心超视频抽帧（速度提升200％）、金属3D打印排布及低功耗传感器部署等跨界场景。

针对带释放时间、权重和延误代价的复杂调度难题，该组将决策解构为 “机器状态控制” 与 “任务精细分配” 两个核心层次，通过启发式搜索与最小费用匹配高效求解。该数学模型展现出惊人的跨领域迁移泛化能力，先后在医院数字病理流程调度、个人主动健康管理和水声工程等多个实际场景进行了初步落地验证。

聚焦最大覆盖选址问题（MCLP），该组打造了由总控大脑、Benchmark/Solver/实验/验证等多个Agent及黑板机制构成的自动化闭环科研系统。工作流自主进化出的4种算法均达到全局最优，最快仅需5.13秒；该系统在大规模实例中将覆盖率极限提升至0.918，并模拟了西安市新城区AED部署的最优方案。

该组借助智能体在海量基础数学问题中精准筛选出拓扑序列熵、模7分拆函数等方向，并全面辐射至小样本病态线性反问题、雷达实时调度及图像融合等工程前沿。其中，小样本病态反问题通过流形几何和最优传输实现鲁棒重建；其自主研发的无人机智能控制Agent实现了自然语言驱动的自主规划与拍摄闭环，目标成功率达到88%。

该组针对分布式网络边传输随机翻转、节点仅邻居通信下的高难度信息恢复难题（要求 n×n 条目同时正确）开展探索。在否定两类传统多数投票规则后，他们提出 k=3 硬窗口多数投票机制。实验表明，该方法在随机正则图呈现清晰度数门槛，n=1024 时，仅需对数级度数即可达到 100% 全成功率，具备向大型传感器网络和多智能体边缘监测迁移潜力。