MILP-Evo：首个闭环全自动设计混合整数规划求解器框架

传统机器学习方法虽能加速混合整数线性规划求解器，但学习到的策略往往以黑盒模型形式存在，难以解释、调整和部署。而人工设计的显式求解逻辑虽更易理解，却缺乏从求解反馈中学习的能力。

近日，研究团队在arXiv发表论文《MILP-Evo: Closed-Loop Fully Automatic Design of MILP Solvers》，提出一种创新解决方案：将MILP求解器逻辑的自动设计转化为大语言模型引导的闭环搜索过程。该框架通过PySCIPOpt实现，在可执行的白盒组件上进行搜索，直接以端到端求解器行为作为评估标准。

具体而言，研究人员以割平面选择器和分支规则的联合设计为例，展示了该框架的工作流程：候选程序迭代生成后加载至SCIP求解器，在MILP实例上直接执行评估，性能反馈将指导基于表现的选择、针对性修复、诊断反思和多样性感知的种群维护。最终输出可直接集成至标准求解器工作流的显式组件。

在四个基准测试集上的实验表明，大语言模型引导的程序进化能够在多个场景中发现具有竞争力的领域专用策略。该方法突破了传统机器学习与人工设计之间的界限，为自动化求解器设计开辟了新路径。