MILP-Evo：混合整数线性规划求解器的闭环全自动设计

混合整数线性规划（MILP）在实际应用中广泛存在，而求解器性能高度依赖于其内部策略，如切割选择器和分支规则。传统上，这些策略要么依赖手工设计的显式逻辑，要么采用数据驱动的黑盒模型。然而，手工设计费时且难以适应不同问题，而数据驱动方法则因模型不透明而难以检查、调整和部署。针对这一矛盾，来自研究机构的团队提出了MILP-Evo框架，将求解器逻辑的自动设计转化为大语言模型（LLM）引导的闭环程序进化过程。该框架基于PySCIPOpt实现，并首先聚焦于切割选择器和分支规则的联合设计。在每一轮迭代中，LLM会生成候选程序，这些程序被加载到SCIP求解器中，在具体MILP实例上执行并收集性能反馈。反馈信息用于指导基于性能的选择、针对性修复、诊断反思以及多样性感知的种群维护。整个流程无需人工干预，最终输出的是完全透明的、可检查、可修改的显式求解器组件。在四个不同领域的基准测试族上，实验结果表明，MILP-Evo能够自动发现具有竞争力的领域特化策略，证明了该方法在实际优化问题中的潜力。这项工作不仅为求解器自动设计提供了新范式，也为结合LLM与进化优化开辟了新的研究方向。