Problemy planowania tras dostaw stanowią istotny obszar badań operacyjnych, natomiast charakteryzują się różnorodnymi ograniczeniami, takimi jak: okna czasowe, ograniczenia pojemności samochodów, wymagania konktraktowe, obowiązkowe przerwy w pracy, maksymalny czas przechowywania towaru na samochodzie, etc. Celem pracy byłoby stworzenie aplikacji, która umożliwi “wyklikanie” odpowiednich wymagań i wygenerowanie kodu/modelu, który rozwiązywałby zadany wariant problemu.

Celem pracy jest zaimplementowanie narzędzia, które rozwiązuje wybrany problem optymalizacji dyskretnej. Praca może być wzbogacona o porównanie kilku metod oraz/lub stworzenie graficznego interfejsu użytkownika. Przykładowe problemy: układanie planu zajęć na uczelni z uwzględnieniem przedmiotów obieralnych, harmonogramowanie pracy pielęgniarek, planowanie siatki ulic.

Język MiniZinc jest popularnym językiem służącym modelowaniu problemów optymalizacji dyskretnej i często jest używany w fazie prototypowania rozwiązań. Problemem jest wdrożenie go w produkcyjnym środowisku i często wymaga ręcznego przetłumaczenie na API konkretnego solvera. Celem pracy byłoby zautomatyzowanie tego procesu, tj. stworzenie narzędzia, które kompiluje model MiniZinc do programu napisanego z użyciem istniejącego popularnego solvera. Praca może być podzielona na dwa etapy: frontend — parsowanie modelu MiniZinc oraz backend - generacja kodu.

Celem pracy jest implementacja algorytmu, który dla zadanego zbioru zdań znajdzie minimalną gramatykę formalną (na przykład język regularny), która opisuje ten zbiór. Alternatywnie można ten problem rozumieć jako próbę odkracia struktury automatu skończonego na podstawie wypisywanych przez niego wyników.

Jednym z najtrudniejszych elementów pracy programisty jest analiza wymagań — tj. zrozumienie potrzeb klienta. Celem pracy jest stworzenie narzędzia, które na podstawie znanych rozwiązań danego problemu stworzy model programowania z ograniczeniami, odpowiadający temu problemowi

W badaniach operacyjnych często korzysta się z metod optymalizacji dyskretnej, tj. algorytmów znajdujących rozwiązanie maksymalizujące/minimalizujące zadaną funkcję celu. W wielu sytuacjach metody mogą być trudne do aplikacji, np. w przypadku środowisk, w których nie mamy kontroli nad agentami będącymi ich częścią (planując rozkład ulic nie mamy kontroli nad kierowcami). Alternatywne metody wywodzą się z teorii gier i biorą pod uwagę preferencje agentów explicite, tj. znajdują rozwiązania, w których żaden z agentów nie chciałby zachować się inaczej niż oczekuje algorytm — takie rozwiązania nazywamy stabilnymi. Celem pracy byłoby rozwiązanie problemu badań operacyjnych, który obejmuje interakcje między agentami, przy pomocu obu podejść i porównanie wyników

Celem pracy jest implementacja systemu generującego programy logiczne w oparciu o zadaną funkcję celu i specyfikację dostępnych predykatów. System powinien korzystać z istniejącej implementacji algorytmów programowania genetycznego.

Wiele gier (np. saper, sudoku, nonogramy, kostka rubika) wymaga od gracza wnioskowania logicznego / kombinatorycznego. Często rozwiązanie gry w perspektywie współczesnego AI jest bardzo proste, ale wygenerowanie przykładowych poziomów jest zaskakujące trudne. Z tego powody gry logiczne i programistyczne stanowią ciekawą dziedzinę do eksperymentowania z algorytmami AI. Przykładowe tematy to: stworzenie generatora poziomów dla gry saper, które nie wymagają zgadywania; generator nonogramów dla zadanych obrazków lub napisanie algorytmu rozwiązującego gry programistyczne.

Praca o charakterze badawczym. Celem jest odtworzenie algorytmu przeszukiwania lokalnego dla problemów optymalizacji całkowitoliczbowej, zaproponowanego w roku 2023.

Praca o charakterze badawczym. Celem jest weryfikacja, czy metody Reinforcement Learning mogą być użyte w miejscu klasycznych metody optymalizacji dyskretnej w zadanym problemie optymalizacyjnym.