LP2Graph：用图挖掘优化铁路调度模型

在铁路调度等优化驱动领域，混合整数线性规划（MILP）是核心工具，但该领域的建模知识分散在数百篇采用不同符号体系的论文中，现有综述往往基于主观分类，既未统一结构也未实现复现。

近日研究人员提出LP Mining with LP2Graph方法，能够将已发表的线性规划和MILP公式结构挖掘为可复现的数据集和诱导分类法。其核心LP2Graph通过规范语法将每个公式表示为类型化变量-方程图，源自单一规范模型。一旦将源文献提取到该模型中，后续所有处理都是确定性的。

每个源文献被解析到该模型后，经过同源化处理，并自底向上进行聚类（先变量，再约束和目标函数，最后整体模型结构），同时按应用领域和求解方法分别聚类。生成的聚类组通过规则种子、自我更新的分类器进行标注。

该方法通过实际验证而非假设：每个聚类的代表模型被重新生成为独立LaTeX代码，并在CBC、HiGHS和Gurobi求解器上重新求解，与源论文报告的最优解进行对比。最终产出变量、约束和模型类型的客观可重复分类体系，为自动化铁路调度模型开发工具链raiLPminer提供理论基础。