**摘要：**组合优化赋能的机器学习（Combinatorial Optimization Augmented Machine Learning, COAML）近年已成为一种强有力的范式，旨在将预测模型与组合决策过程深度集成。通过将组合优化算子（Oracles）嵌入学习流水线，COAML 能够构建既由数据驱动又具有可行性保障的策略，从而弥合了机器学习、运筹学与随机优化领域的传统鸿沟。 本文对 COAML 的前沿进展进行了全面综述。我们提出了一个统一的 COAML 流水线框架，描述了其方法论的基本构建模块，并从形式上阐明了其与经验成本最小化（Empirical Cost Minimization）的联系。随后，我们根据不确定性的形式和决策结构，构建了问题设置的分类体系。基于此分类，我们回顾了针对静态和动态问题的算法路径，调研了其在调度、车辆路径规划、随机规划及强化学习等领域的应用，并从经验成本最小化、模仿学习和强化学习的角度总结了方法论贡献。最后，我们指出了关键的研究前沿。本综述旨在为该领域提供教程级的入门指导，并为组合优化与机器学习交叉研究的未来方向提供路线图。 关键词： 组合优化；机器学习；决策聚焦学习