MILP-Evo: نموذج لغوي يصمّم منطق حلّالات MILP للتحسين ويسرّعه بنفسه

قدّم باحثون نظام MILP-Evo، وفيه يكتب نموذج لغوي كبير (LLM) منطق حلّالات البرمجة الخطية ذات الأعداد الصحيحة المختلطة (MILP) ويشغّله ويحسّنه بنفسه ضمن حلقة مغلقة. صدرت الورقة البحثية الأولية على arXiv في يوليو 2026، وتقول إن الطريقة تولّد مكوّنات شفافة للحلّال، يستطيع المهندس قراءتها والتحقق منها ودمجها في سير العمل القياسي.

كيف تعمل الحلقة المغلقة

يولّد MILP-Evo برامج مرشّحة بشكل تكراري، ويحمّلها في حلّال SCIP المفتوح المصدر عبر مكتبة PySCIPOpt، ثم يقيّمها بحسب سلوكها الفعلي على مسائل MILP. تتحول نتيجة كل تشغيل إلى تغذية راجعة توجّه التطور اللاحق للشيفرة، دون تدخل بشري في الحلقة.

اختُبرت الطريقة في العمل البحثي على التصميم المشترك لمكوّنين من مكوّنات الحلّال في آن واحد: مُنتقي القطوع (cut selector) وقاعدة التفرّع (branching rule). وهذان المكوّنان يحددان إلى حد بعيد مدى سرعة عثور الحلّال على حل بأعداد صحيحة.

• يُصمَّم مكوّنان معًا: مُنتقي القطوع (cut selector) وقاعدة التفرّع (branching rule)
• تُنفَّذ الشيفرات المرشّحة مباشرة في SCIP عبر PySCIPOpt — ويجري التقييم بحسب السلوك الكلي للحلّال من البداية إلى النهاية، لا بحسب مقياس بديل
• أربع آليات للتطور: الانتقاء بحسب النتيجة، والإصلاح الموضعي للشيفرة، والتأمل التشخيصي، والحفاظ على تنوّع المجموعة
• أُجري التحقق على أربع عائلات من اختبارات الأداء
• المخرجات شيفرة white-box مقروءة، لا متنبّئ خارجي من نوع «الصندوق الأسود»

بماذا يتفوق على تعلّم الآلة التقليدي للحلّالات

يقدّم MILP-Evo شيفرة صريحة ومقروءة بدلًا من متنبّئ خارجي، وهذا هو الفارق الأساسي عن المقاربات السابقة القائمة على البيانات. وبحسب صياغة المؤلفين، تُعرض سياسات تعلّم الآلة المدرَّبة عادةً في صورة نموذج معتم يصعب فحصه وتكييفه ونشره. أما منطق الحلّال المكتوب يدويًا فعلى العكس واضح وسهل الدمج، لكنه يُكتب بجهد بشري، ولا يُستخلص من التغذية الراجعة الصادرة عن الحلّال نفسه.

يحاول MILP-Evo الجمع بين أفضل ما في الطرفين: يبقى المنطق قابلًا للقراءة بالعين المجرّدة، لكن الذي يصنعه ليس إنسانًا، بل حلقة بحث يديرها نموذج لغوي كبير.

«نبحث في إمكانية صياغة التصميم الآلي لمنطق حلّال MILP على أنه بحث

تديره نماذج لغوية كبيرة في حلقة مغلقة، يجري على مكوّنات white-box قابلة للتنفيذ، وتُقيَّم مباشرة بحسب السلوك الكلي للحلّال»، كما جاء في ملخص ورقة MILP-Evo على arXiv.

إلى أي مدى ينجح النهج

على أربع عائلات من اختبارات الأداء، يعثر التطوير البرمجي الذي يديره النموذج اللغوي في بعض الحالات على سياسات قادرة على المنافسة، ومتخصصة بفئة محددة من المسائل. ويصوغ المؤلفون استنتاجهم بحذر: فالطريقة تعطي نتيجة تنافسية «في عدة إعدادات»، ولا تتفوق تفوقًا شاملًا على الأساليب الاستدلالية اليدوية.

والأهم هو الآلية نفسها: فالمكوّنات الناتجة شيفرة عادية لـSCIP، يمكن فحصها وتعديلها يدويًا ونشرها في سير عمل الحلّال القياسي. وهذا يزيل أكبر عيوب المسرّعات العصبية، وهو تعذّر فهم ما تعلّمه النموذج وتعذّر تعديله بأمان.

ماذا يعني ذلك

يمثّل MILP-Evo مثالًا آخر على تحوّل النماذج اللغوية الكبيرة من مولّدات للنصوص إلى محرّكات للبحث الآلي عن الشيفرة: فالنموذج لا يكتفي بالتنبؤ، بل يكتب مكوّنات قابلة للتنفيذ ويحسّنها بحسب التغذية الراجعة من التشغيل الفعلي. وبالنسبة إلى التحسين، هذه طريقة للحصول على قواعد استدلالية سريعة وشفافة في الوقت نفسه، دون ضبط يدوي لكل فئة من المسائل.

أسئلة شائعة

ما هو MILP ولماذا تُسرَّع حلّالاته؟

MILP (mixed-integer linear programming، أي البرمجة الخطية ذات الأعداد الصحيحة المختلطة) فئة من مسائل التحسين تتضمن متغيرات صحيحة: اللوجستيات والتخطيط وتوزيع الموارد. وتحلّها حلّالات مثل SCIP، وتعتمد سرعة الحل اعتمادًا كبيرًا على القواعد الاستدلالية لاختيار القطوع والتفرّع — وهي بالضبط ما يصمّمه MILP-Evo.

بماذا يختلف MILP-Evo عن المسرّعات العصبية للحلّالات؟

تقدّم مقاربات تعلّم الآلة السابقة السياسة المتعلَّمة في صورة متنبّئ خارجي معتم يصعب فحصه ونشره. أما MILP-Evo فيقدّم بدلًا من ذلك شيفرة white-box صريحة على PySCIPOpt، يستطيع الإنسان قراءتها وتعديلها ودمجها في سير عمل SCIP القياسي.