《统筹方法平话》中有一个例子被收录进语文课本，讲述了“烧水泡茶”的五道工序：1、烧开水，2、洗茶壶，3、洗茶杯，4、拿茶叶，5、泡茶。其中前四道工序是泡茶的前提，每道工序耗时不同。不同的工序安排会影响喝上茶的时间。
图中呈现的两种“烧水泡茶”的顺序方法，显然第一种方法用时最少，效率最高。
在日常生活中，我们会遇到很多类似的问题，如衣服的穿搭、菜品的组合、做家务的次序等。这些问题看似简单，但当选择因素增多时，很容易让我们陷入“选择困难症”。这类问题就是最优化问题中的组合优化问题。
以俄罗斯方块为例，它就是一个动态的组合优化问题。
在工业领域，组合优化问题的研究有着广泛的应用价值，涉及交通运输、信息技术、经济管理、工业工程、通讯网络等诸多领域。虽然行业各有不同，但万变不离其宗，组合优化基本模式问题按照优化操作的不同，基本上可以分为四大类：选择问题、分配问题、排序问题和混合问题。在实际的应用场景中，通常会存在多因素、多操作模式的情况。
交通运输领域
以网约车调度问题为例，它是一个典型的选择（接单）-分配（乘客到司机）-排序（路径规划）相结合的混合型组合优化问题。在实际出行场景中，需要考虑乘客需求、车辆分布、接驾距离、拥堵情况等多种因素。
网络通信领域
资源分配是网络通信领域典型的组合优化问题之一。如何将有限的CPU、内存、带宽等资源合理分配给不同的用户或任务需求，是维持通信网络高效率运作的重要问题。
生产制造领域
生产制造领域存在大量组合优化问题。例如，如何用更少的资源、更短的时间、更少的库存，做出更多的产品，是排产过程中需要面对的组合优化问题之一。
金融投资领域
金融投资的组合优化问题是投资者关心的问题之一。投资者希望在某一时间段内实现期望收益最大化，同时避免过高风险。这需要投资者将资产按合适的比例分别投入到不同的证券市场及产品上。
为了解决这些组合优化问题，主流的求解方法包括精确算法、启发式算法和元启发式算法。当问题规模很大时，这些传统方法往往会消耗巨大的计算量或无法在规定时间内给出足够最优性的解。
近年来，随着深度强化学习技术的发展，其在围棋、机器人等领域展现出强大的学习能力与决策能力。人们开始使用深度强化学习技术来探索组合优化问题的求解。深度强化学习在排产问题上表现出色，不仅大大提高了排产的效率和准确性，还降低了人工成本。
组合优化方法作为运筹学的一部分，其相关研究理论、方法、模型在数百万年的技术发展历程中得到了快速发展及广泛应用。而在科技日新月异的当下，基于深度强化学习的组合优化方法正成为研究热点之一。