論文の概要: MILP-Evo: Closed-Loop Fully Automatic Design of MILP Solvers
- arxiv url: http://arxiv.org/abs/2607.18252v1
- Date: Tue, 12 May 2026 09:03:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-27 00:46:13.089174
- Title: MILP-Evo: Closed-Loop Fully Automatic Design of MILP Solvers
- Title（参考訳）: MILP-Evo:MILPソルバの閉ループ完全自動設計
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 7.510434184086332
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Machine learning methods have shown that data-driven policies can accelerate mixed-integer linear programming (MILP) solvers, but many such approaches remain difficult to inspect, adapt, and deploy because the learned policy is represented as an external predictor or other opaque model. By contrast, explicit solver logic is easier to understand and integrate, but is usually hand-designed rather than learned from solver feedback. We study whether the automatic design of MILP solver logic can instead be cast as LLM-guided closed-loop search over executable white-box components evaluated directly by end-to-end solver behavior. To this end, we propose a closed-loop program evolution framework for MILP solver auto-design, implemented through PySCIPOpt, and instantiate it on the joint design of a cut selector and a branching rule. Candidate programs are iteratively generated, loaded into SCIP, and evaluated by direct execution on MILP instances, with the resulting feedback guiding performance-based selection, targeted repair, diagnostic reflection, and diversity-aware population maintenance. The method outputs explicit solver components that can be inspected, modified, and deployed within standard solver workflows. Across four benchmark families, we find that LLM-guided program evolution can discover competitive domain-specialized policies in several settings.
- Abstract（参考訳）: 機械学習手法は、データ駆動型ポリシが混合整数線形プログラミング(MILP)ソルバを加速することを示したが、学習されたポリシが外部予測子あるいは他の不透明なモデルとして表現されるため、検査、適応、デプロイが困難である。
対照的に、明示的な解法論理は理解と統合が容易であるが、通常は解法フィードバックから学ぶよりも手作業で設計される。
エンド・ツー・エンド・エンド・エンド・ツー・エンド・エンド・ソルバ・ビヘイビアによって直接評価される実行可能なホワイトボックス・コンポーネント上でのLLM誘導閉ループ探索としてMILPソルバ・ロジックの自動設計が可能であるかを検討する。
そこで我々は, PySCIPOpt を用いて実装された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し, カットセレクタの結合設計と分岐規則をインスタンス化する。
候補プログラムは繰り返し生成され、SCIPにロードされ、MILPインスタンス上で直接実行されることにより評価される。
このメソッドは、標準的なソルバワークフロー内で検査、修正、デプロイできる明示的なソルバコンポーネントを出力する。
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、いくつかの設定で競合するドメイン特化ポリシーを発見できる。
関連論文リスト
- FormuEvo: LLM-Guided Evolution for Discovering Solver-Efficient Mixed-Integer Programming Formulations [66.32852384262038]
混合整数プログラミング(MIP)は、運用研究と産業最適化の核心にある。
FormuEvoは、解法効率のMIP式の自動発見のための進化的フレームワークである。
FormuEvoは、MIP定式化のシンボル空間上の進化的最適化として、MIP定式化設計を行う。
論文 参考訳（メタデータ） (2026-08-24T15:01:28Z) - LLM-Guided Evolutionary Search for Constraint Model Reformulation to Improve Solver Efficiency [5.774119507201688]
大きな言語モデル(LLM)は、自然言語から正しいモデルを生成することができるが、正しいモデルでさえ解決するのにコストがかかる。
我々は,LLMがユーザ定義ベースラインモデルに対して検証およびベンチマークを行う候補修正を提案する進化的フレームワークを用いる。
既存の保持戦略は、正確さやパフォーマンスを優先するが、コンテキストを明示的に多様化するものではない。
検証に基づく最終モデル選択を用いて,8つのCSPLib問題の戦略を体系的に評価した。
論文 参考訳（メタデータ） (2026-07-30T14:21:55Z) - Formalize, Don't Optimize: The Heuristic Trap in LLM-Generated Combinatorial Solvers [52.23061619664667]
大規模言語モデル(LLM)は直接推論によって複雑な問題を解くのに苦慮しているため、近年のニューロシンボリックシステムは、それを実行可能な解法を合成するためにますます利用している。
我々は,100の問題をベンチマークしたCP-SynC-XL(4,577インスタンス)を導入し,ネイティブアルゴリズム検索(Python),PythonソルバAPI(Python + OR-Tools)による制約モデリング,宣言的制約モデリングという3つのコンストラクションパラダイムを評価した。
論文 参考訳（メタデータ） (2026-05-12T17:15:45Z) - Agentic MIP Research: Accelerated Constraint Handler Generation [17.754276789873185]
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。
論文 参考訳（メタデータ） (2026-05-09T21:53:28Z) - 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) - SolverLLM: Leveraging Test-Time Scaling for Optimization Problem via LLM-Guided Search [58.116954449750544]
多様な最適化問題を解決するために,テスト時間スケーリングを活用したトレーニング不要のフレームワークを導入する。
直接的に解くのではなく、数学的定式化を生成し、新しいモンテカルロ木探索戦略によって導かれる解法対応のコードに変換する。
論文 参考訳（メタデータ） (2025-10-19T16:21:19Z) - From Natural Language to Solver-Ready Power System Optimization: An LLM-Assisted, Validation-in-the-Loop Framework [1.7136832159667206]
本稿では,Large Language Models (LLMs) を用いたエージェントを導入し,電力系統最適化シナリオの自然言語記述を,コンパクトで解決可能な定式化に自動変換する。
提案手法は,オフザシェルフ最適化解法により効率よく解ける数学的に互換性のある定式化の発見に重点を置いている。
論文 参考訳（メタデータ） (2025-08-11T16:22:57Z) - CompassVerifier: A Unified and Robust Verifier for LLMs Evaluation and Outcome Reward [50.97588334916863]
評価と結果報酬のための正確で堅牢な軽量検証モデルであるCompassVerifierを開発した。
数学、知識、多種多様な推論タスクにまたがる多分野の能力を示し、様々な答えの型を処理する能力を示す。
我々は,複数のデータソースから収集したモデル出力からなるVerifierBenchベンチマークを導入し,メタエラーパターンを手動で解析してCompassVerifierを強化する。
論文 参考訳（メタデータ） (2025-08-05T17:55:24Z) - 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) - Scaling Autonomous Agents via Automatic Reward Modeling And Planning [52.39395405893965]
大規模言語モデル(LLM)は、様々なタスクにまたがる顕著な機能を示している。
しかし、彼らは多段階の意思決定と環境フィードバックを必要とする問題に苦戦している。
人間のアノテーションを使わずに環境から報酬モデルを自動的に学習できるフレームワークを提案する。
論文 参考訳（メタデータ） (2025-02-17T18:49:25Z) - LLMs for Cold-Start Cutting Plane Separator Configuration [15.48177941218929]
混合整数線形プログラミングソルバは、性能に大きな影響を与える数百のパラメータを公開する。
既存の機械学習アプローチでは、数千の関連するインスタンスをトレーニングする必要がある。
本稿では,問題記述と解決者固有の要約を用いて切削平面分離器を構成する,大規模言語モデル(LLM)に基づくフレームワークを提案する。
論文 参考訳（メタデータ） (2024-12-16T18:03:57Z)
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。