論文の概要: FormuEvo: LLM-Guided Evolution for Discovering Solver-Efficient Mixed-Integer Programming Formulations

• arxiv url: http://arxiv.org/abs/2608.23353v1
• Date: Mon, 24 Aug 2026 15:01:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-25 13:29:44.162046
• Title: FormuEvo: LLM-Guided Evolution for Discovering Solver-Efficient Mixed-Integer Programming Formulations
• Title（参考訳）: FormuEvo: LLM-Guided Evolution for discovering Solver-Effient Mixed-Integer Programming Formulations
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 66.32852384262038
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Mixed-integer programming (MIP) lies at the core of operations research and industrial optimization. While large language models (LLMs) have recently shown promise in automated MIP modeling from natural language, they prioritize semantic correctness but overlook formulation strength, severely bottlenecking the efficiency of downstream solvers. We propose FormuEvo, an LLM-guided evolutionary framework for automated discovery of solver-efficient MIP formulations. FormuEvo frames MIP formulation design as evolutionary optimization over the symbolic space of MIP formulations, represented as executable modeling programs, by iteratively generating, evaluating, and selecting stronger candidates via LLM-driven crossover, mutation, and repair operations. To move beyond blind exploration, FormuEvo introduces a solver-informed diagnosis mechanism that exploits fine-grained solver statistics as verbal gradients for targeted refinement. Additionally, a structured memory abstracts prior experience into reusable modeling strategies, avoiding redundant exploration while enabling zero-shot transfer to unseen problems and bootstrapping smaller LLMs. Experiments across diverse linear and non-linear problems demonstrate that FormuEvo discovers formulations that significantly outperform both expert-designed formulations and existing LLM-based approaches, accelerating solvers by up to 5.5$\times$, with distilled knowledge transferring effectively across problems and model scales.
• Abstract（参考訳）: 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。 大規模言語モデル(LLM)は、最近、自然言語からの自動MIPモデリングにおいて有望であることを示しているが、それらは意味的正しさを優先するが、定式化の強さを見落とし、下流ソルバの効率を著しくボトルネックにしている。 本稿では,LLM誘導の進化的フレームワークであるFormuEvoを提案する。 FormuEvoはMIPの定式化設計を、LCM駆動のクロスオーバー、突然変異、修復操作を通じてより強力な候補を反復的に生成し、評価し、選択することによって、実行可能なモデリングプログラムとして表現される、MIP定式化の象徴的空間上の進化的な最適化として捉えている。 FormuEvoは、ブラインド探索を超えて、微細なソルバ統計を目的の洗練のための言語勾配として活用する、ソルバインフォームド診断機構を導入している。 さらに、構造化メモリは、以前の経験を再利用可能なモデリング戦略に抽象化し、冗長な探索を回避し、ゼロショット転送を未確認の問題に可能とし、より小さなLCMをブートストラップする。 様々な線形および非線形問題に対する実験により、FormuEvoは専門家が設計した定式化と既存のLCMベースのアプローチの両方を著しく上回る定式化を発見し、解法を最大5.5$\times$で加速し、蒸留された知識の伝達が問題やモデルスケールにわたって効果的に行われることを示した。

関連論文リスト

• FLARE: Verifying MILP Reformulations with LLM-Based Theorem Proving [15.609601435289973]
  私たちは、リーンとマシンチェックで形式化できるMILP改革の構成的定義を開発します。 提案手法を評価するために,20の問題と109の定式化のデータセットであるFormulationBenchを紹介した。 FLAREは既存の手法より優れており、フォーミュレーションベンチのNPハード部分集合では100%精度が高い。
  論文  参考訳（メタデータ） (2026-08-25T23:19:41Z)
• Deliberate Evolution: Agentic Reasoning for Sample-Efficient Symbolic Regression with LLMs [52.89778838903305]
  Deliberate Evolution (DE) は、検索制御からシンボル生成を分離するエージェントフレームワークである。 LLM-SRBenchの実験では、DEMは様々な科学領域でLLMベースのSRベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2026-06-03T02:22:16Z)
• 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)
• Empowering LLMs for Structure-Based Drug Design via Exploration-Augmented Latent Inference [5.052013621974765]
  大言語モデル(LLM)は、表現力と推論能力を持っているが、構造に基づく薬物設計(SBDD)への応用は、タンパク質構造や予測不可能な分子生成の理解が不十分なため制限されている。 本研究では,LLM生成過程を符号化,遅延空間探索,復号化ワークフローとして再解釈するフレームワークであるELILLM(Exploration-Augmented Latent Inference for LLMs)を提案する。 ELILLMは、デコードモジュールを使用して、よく知られた領域を処理し、化学的に有効で合成学的に合理的な分子を生成することで、モデル現在の知識を超えた設計問題の部分を明示的に探求する。
  論文  参考訳（メタデータ） (2026-01-20T08:10:48Z)
• MM-HELIX: Boosting Multimodal Long-Chain Reflective Reasoning with Holistic Platform and Adaptive Hybrid Policy Optimization [103.74675519953898]
  ロングチェーンのリフレクティブ推論は、複雑な現実世界の問題を解決するための前提条件である。 我々は42の難解な合成タスクの1,260のサンプルからなるベンチマークを構築した。 トレーニング後のデータを生成し、そのようなデータを活用するための学習パラダイムを探索する。
  論文  参考訳（メタデータ） (2025-10-09T17:53:58Z)
• OptiMind: Teaching LLMs to Think Like Optimization Experts [14.155402554740997]
  我々は最適化の専門知識を体系的に統合し、混合整数線形プログラミングの定式化精度を向上させる。 提案手法はまず,クラスベースのエラー解析によってトレーニングデータをクリーン化する。 次に、クラス固有のエラーサマリとソルバフィードバックでLLMを誘導するマルチターン推論戦略を開発する。
  論文  参考訳（メタデータ） (2025-09-26T22:23:12Z)
• Inpainting-Guided Policy Optimization for Diffusion Large Language Models [67.97530437998117]
  自己回帰型LLMの代替として,マスケッド拡散大言語モデル (dLLM) が登場している。 本稿では,dLLMに対するRLアルゴリズムの設計について検討する。
  論文  参考訳（メタデータ） (2025-09-12T16:44:31Z)
• 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)
• FactorLLM: Factorizing Knowledge via Mixture of Experts for Large Language Models [50.331708897857574]
  本稿では,高度に訓練された高密度FFNを余分なサブネットワークに分解する新しいアプローチであるFacterLLMを紹介する。 FactorLLMは、最大85%のモデル性能を確保しながら、推論速度を30%以上増加させながら、ソースモデルに匹敵するパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-08-15T16:45:16Z)
• Solution-oriented Agent-based Models Generation with Verifier-assisted Iterative In-context Learning [10.67134969207797]
  エージェントベースのモデル(ABM)は、仮説的な解決策やポリシーの提案と検証に不可欠なパラダイムである。 大きな言語モデル(LLM)は、ドメイン間の知識とプログラミング能力をカプセル化することで、このプロセスの難しさを軽減できる可能性がある。 SAGEは、ターゲット問題に対する自動モデリングおよびソリューション生成のために設計された、汎用的なソリューション指向のABM生成フレームワークである。
  論文  参考訳（メタデータ） (2024-02-04T07:59:06Z)
• From Quantity to Quality: Boosting LLM Performance with Self-Guided Data Selection for Instruction Tuning [52.257422715393574]
  本稿では,Large Language Models (LLMs) の自己誘導手法を導入し,オープンソースデータセットからサクラサンプルを自動識別し,選択する。 我々の重要な革新である命令追従困難度(IFD)メトリックは、モデルが期待する応答と本質的な生成能力の相違を識別するための重要な指標として現れます。
  論文  参考訳（メタデータ） (2023-08-23T09:45:29Z)

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。