Naukowcy zaproponowali MILP-Evo -框架do automatycznego projektowania logiki solverów programowania liniowego z liczbami całkowitymi (MILP) przy użyciu dużych modeli językowych. Zamiast tworzyć trudne do przeanalizowania zewnętrzne predyktory, metoda generuje jawny kod komponentów solvera, który można inspekcjonować, modyfikować i bezpośrednio wdrażać w standardowych przepływach pracy.
System działa w pętli zamkniętej: LLM iteracyjnie generuje kandydujące programy (głównie selektory cięć i reguły rozgałęziające), które ładuje się do SCIP - popularnego solvera MILP. Każdy kandydat jest oceniany przez bezpośrednie wykonanie na rzeczywistych instancjach, a uzyskana informacja zwrotna kieruje selekcją na podstawie wydajności, naprawą zorientowaną na diagnostykę i utrzymaniem populacji uwzględniającą różnorodność. To podejście łączy zalety machine learningu (nauczanie z danych) z przejrzystością ręcznego projektowania.
Wyniki eksperymentów na czterech zbiorach testowych wskazują, że program evolution oprowadzony przez LLM potrafi odkrywać polityki specjalizowane w domenie osiągające konkurencyjną wydajność. Znaczenie pracy polega na pokazaniu, że możliwe jest automatyczne projektowanie solwerów z wygenerowanym jawnym kodem zamiast czarnych skrzynek, co ułatwia integrację, weryfikację i adaptację nowych strategii rozwiązywania MILP w praktycznych aplikacjach.