核电厂换料堆芯装载优化是典型的大规模组合优化问题，其计算复杂度高，基于传统进化算法的优化方法对本问题适用性不强，优化性能较弱。机器学习算法是一类新型且有望解决组合优化问题的算法，其主要思想是基于神经网络结合强化学习，让智能体不断探索可行域。这类算法的研究也越来越多，主要集中在指针网络和图神经网络，训练方法则主要为监督学习或强化学习。另一方面，结合机器学习和智能进化算法求解组合优化问题的算法也在探索求解核反应堆领域的组合优化问题。本文通过广泛调研机器学习算法在组合优化领域的应用，提出了未来开展核电厂换料堆芯装载优化的研究方向和具体技术路线。

传统的核电厂反应堆燃料组件和堆芯装载方案的设计与优化涉及大量方案的搜索与计算，目前传统的优化设计主要依靠设计者的主观经验及判断，复杂耗时，其设计效率及可靠性亟待改进。随着互联网、云计算、大数据、超级计算等新技术的飞速发展，人工智能在我国核领域得到了广泛的应用，如反应堆的运行状态检测、故障诊断、优化设计等。本研究广泛调研了国内外反应堆相关参数预测模型方法的已有成果和实例，并详细评价各种方法的优缺点，为组件级与堆芯级的临界与燃耗相关参数的预测模型的设计研发提供协助和指导，提高核设计效率。