論文の概要: Agentic MIP Research: Accelerated Constraint Handler Generation
- arxiv url: http://arxiv.org/abs/2605.09186v1
- Date: Sat, 09 May 2026 21:53:28 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-12 23:28:50.103985
- Title: Agentic MIP Research: Accelerated Constraint Handler Generation
- Title（参考訳）: エージェントMIP研究:加速制約ハンドラ生成
- Abstract要約: MIP(Mixed-integer Programming)の研究は、数学的に洗練され、エンジニアリングに重点を置いている。
LLMエージェントをソルバ対応ハーネスに埋め込むことにより,このフィードバックループを短縮するエージェントMIP研究フレームワークを提案する。
我々は,MIP定式化のグローバル制約への意味持ち上げと,伝播専用SCIP制約ハンドラの自動構築に関する枠組みをインスタンス化する。
- 参考スコア（独自算出の注目度）: 17.754276789873185
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Mixed-integer programming (MIP) research is both mathematically sophisticated and engineering-intensive: testing an algorithmic hypothesis within a branch-and-cut solver requires substantial implementation, debugging, tuning, and large-scale benchmarking. We propose an agentic MIP research framework that shortens this feedback loop by embedding LLM agents into a solver-aware harness for generating, verifying, and evaluating plugins for the open-source solver SCIP. Propagation methods play a central role in accelerating MIP solving by exploiting global constraints. We instantiate our framework on the semantic lifting of MIP formulations into global constraints and the automatic construction of propagation-only SCIP constraint handlers. On the MIPLIB 2017 benchmark set, the framework successfully recovers global constraint structures from constraint programming and generates executable constraint detectors and propagation-only constraint handlers. Furthermore, the framework naturally extends to in-context learning within a sandboxed environment, enabling agents not only to tune and debug generated constraint handlers on real instances, but also to explore global constraint patterns in MIP problems and discover novel propagation strategies not yet implemented in SCIP. This framework allows us to systematically distinguish meaningful algorithmic improvements from low-value or overly costly candidates: the novel propagation methods successfully solved five additional instances within the explored benchmark. Overall, this framework demonstrates that LLM agents can autonomously navigate the complex MIP research loop, paving the way for a more automated solver development process.
- Abstract（参考訳）: MIP(Mixed-integer Programming)の研究は、数学的に洗練され、エンジニアリングに重点を置いている。
オープンソースソルバSCIP 用プラグインの生成,検証,評価を行うために LLM エージェントをソルバ対応ハーネスに埋め込むことにより,このフィードバックループを短縮するエージェント MIP 研究フレームワークを提案する。
伝搬法は,世界的制約を生かして,MIP解決の促進に重要な役割を果たしている。
我々は,MIP定式化のグローバル制約への意味持ち上げと,伝播専用SCIP制約ハンドラの自動構築に関する枠組みをインスタンス化する。
MIPLIB 2017ベンチマークセットでは、このフレームワークは制約プログラミングからグローバルな制約構造を回復し、実行可能な制約検出器と伝搬のみの制約ハンドラを生成する。
さらに、このフレームワークはサンドボックス環境におけるコンテキスト内学習に自然に拡張され、エージェントが実際のインスタンス上で生成された制約ハンドラをチューニングおよびデバッグするだけでなく、MIP問題におけるグローバルな制約パターンを探索し、SCIPに実装されていない新しい伝搬戦略を発見することができる。
このフレームワークは,低値あるいは高コストな候補から有意義なアルゴリズム改善を体系的に区別することを可能にする。
全体として、このフレームワークはLLMエージェントが複雑なMIP研究ループを自律的にナビゲートし、より自動化された問題解決プロセスへの道を開くことを実証している。
関連論文リスト
- MILP-Evo: Closed-Loop Fully Automatic Design of MILP Solvers [7.510434184086332]
LLM誘導閉ループ探索としてMILPソルバ論理の自動設計を行うことができるかを検討する。
PySCIPにより実装されたMILPソルバ自動設計のためのクローズドループプログラム進化フレームワークを提案する。
4つのベンチマークファミリにまたがって、LLM誘導プログラムの進化は、競合するドメイン特化ポリシーを発見できる。
論文 参考訳（メタデータ） (2026-05-12T09:03:05Z) - Execution-Verified Reinforcement Learning for Optimization Modeling [49.171122807323634]
実行検証学習フレームワークは、数学的プログラミング解法を決定論的で対話的な検証器として扱う。
NL4OPT, MAMO, IndustryOR, OptiBenchをグロビ, OR-Tools, COPTで行った実験では, EVOMがプロセス管理SFTに適合または優れていた。
論文 参考訳（メタデータ） (2026-04-01T03:39:11Z) - ComAgent: Multi-LLM based Agentic AI Empowered Intelligent Wireless Networks [62.031889234230725]
6Gネットワークは複雑な層間最適化に依存している。
数学の定式化に高レベルの意図を手動で翻訳することは、まだボトルネックである。
我々はマルチLLMエージェントAIフレームワークであるComAgentを紹介する。
論文 参考訳（メタデータ） (2026-01-27T13:43:59Z) - LM4Opt-RA: A Multi-Candidate LLM Framework with Structured Ranking for Automating Network Resource Allocation [0.7933039558471408]
我々は,複雑な解析的および数学的推論タスクに,文脈的理解が不要であることに対処する。
既存のベンチマークデータセットは、動的な環境、変数、不均一な制約でそのような問題の複雑さに対処できない。
NL4RAは、LP、ILP、MILPとして定式化された50のリソース割り当て最適化問題からなるキュレートデータセットである。
次に,パラメータ数が異なるオープンソースのLLMの性能評価を行った。
論文 参考訳（メタデータ） (2025-11-13T23:19:43Z) - PEFA-AI: Advancing Open-source LLMs for RTL generation using Progressive Error Feedback Agentic-AI [5.455262834289454]
本稿では,人的介入を伴わずにレジスタ転送レベル(RTL)生成のタスクを協調的に完了する複数のエージェントからなるエージェントフローを提案する。
提案するフローの重要な特徴は,自己修正機構であるエージェントのプログレッシブエラーフィードバックシステム(PEFA)である。
コード生成に対するこの適応的アプローチを検証するために、ベンチマークは2つのオープンソース自然言語-RTLデータセットを使用して実行される。
論文 参考訳（メタデータ） (2025-11-06T00:19:47Z) - An Agentic Framework with LLMs for Solving Complex Vehicle Routing Problems [66.60904891478687]
複雑な車両ルーティング問題を解決するために,LLM (AFL) を用いたエージェントフレームワークを提案する。
AFLは生の入力から知識を直接抽出し、自己完結型コード生成を可能にする。
AFLは、コード信頼性とソリューション実現性の両方において、既存のLCMベースのベースラインを大幅に上回っていることを示す。
論文 参考訳（メタデータ） (2025-10-19T03:59:25Z) - Agentic Reinforced Policy Optimization [66.96989268893932]
検証可能な報酬付き大規模強化学習(RLVR)は,大規模言語モデル(LLM)を単一ターン推論タスクに活用する効果を実証している。
現在のRLアルゴリズムは、モデル固有のロングホライゾン推論能力と、マルチターンツールインタラクションにおけるその習熟性のバランスが不十分である。
エージェント強化ポリシー最適化(ARPO: Agentic Reinforced Policy Optimization)は,マルチターンLDMエージェントを学習するためのエージェントRLアルゴリズムである。
論文 参考訳（メタデータ） (2025-07-26T07:53:11Z) - MLE-Dojo: Interactive Environments for Empowering LLM Agents in Machine Learning Engineering [57.156093929365255]
自律型大規模言語モデル(LLM)エージェントを体系的に強化し、評価し、改善するためのガイムスタイルのフレームワーク。
MLE-Dojoは、現実的なエンジニアリングシナリオを反映した、多様でオープンなMLEタスクを慎重にキュレートする。
完全に実行可能な環境は、教師付き微調整と強化学習の両方を通して包括的なエージェントトレーニングをサポートする。
論文 参考訳（メタデータ） (2025-05-12T17:35:43Z) - Thinking Longer, Not Larger: Enhancing Software Engineering Agents via Scaling Test-Time Compute [61.00662702026523]
より大規模なモデルではなく、推論時間の増加を活用する統合されたテスト時間計算スケーリングフレームワークを提案する。
当社のフレームワークには,内部TTCと外部TTCの2つの補完戦略が組み込まれている。
当社の textbf32B モデルは,DeepSeek R1 671B や OpenAI o1 など,はるかに大きなモデルを上回る 46% の課題解決率を実現している。
論文 参考訳（メタデータ） (2025-03-31T07:31:32Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。