MILP-Evo: LLM сам проектирует и ускоряет логику MILP-солверов оптимизации

Unos investigadores han presentado MILP-Evo, un sistema en el que un modelo de lenguaje grande (LLM), en un bucle cerrado, escribe, ejecuta y mejora por sí solo la lógica de los solvers de programación lineal entera mixta (MILP). El preprint se publicó en arXiv en julio de 2026: el método genera componentes de solver transparentes que un ingeniero puede leer, verificar e integrar en un flujo de trabajo estándar.

Cómo funciona el bucle cerrado

MILP-Evo genera de forma iterativa programas candidatos, los carga en el solver de código abierto SCIP a través de la biblioteca PySCIPOpt y los evalúa según su comportamiento real en problemas MILP. El resultado de cada ejecución se convierte en retroalimentación que guía la posterior evolución del código, sin ningún humano en el bucle.

En el trabajo, el método se probó en el diseño conjunto de dos componentes del solver a la vez: el selector de cortes (cut selector) y la regla de ramificación (branching rule). Precisamente estos dos elementos determinan en gran medida la rapidez con la que el solver encuentra una solución entera.

• Se diseñan conjuntamente dos componentes: el selector de cortes (cut selector) y la regla de ramificación (branching rule)
• Los candidatos se ejecutan directamente en SCIP a través de PySCIPOpt: la evaluación se basa en el comportamiento de extremo a extremo del solver, no en una métrica proxy
• Cuatro mecanismos de evolución: selección por resultado, reparación puntual del código, reflexión diagnóstica y mantenimiento de la diversidad de la población
• Las pruebas se realizaron en cuatro familias de benchmarks
• El resultado es código white-box legible, no un predictor externo de "caja negra"

Por qué esto es mejor que el ML tradicional para solvers

MILP-Evo produce código explícito y legible en lugar de un predictor externo, y esa es la principal diferencia respecto a los enfoques data-driven anteriores. Según la formulación de los autores, las políticas de machine learning entrenadas suelen representarse como un modelo opaco, difícil de inspeccionar, adaptar y desplegar. La lógica manual del solver, en cambio, es comprensible y fácil de integrar, pero se escribe a mano en lugar de derivarse de la retroalimentación del propio solver.

MILP-Evo intenta tomar lo mejor de ambos mundos: la lógica sigue pudiendo leerse a simple vista, pero quien la sintetiza no es un humano, sino un bucle de búsqueda dirigido por un LLM.

«Estudiamos si el diseño automático de la lógica de un solver MILP

puede plantearse como una búsqueda en bucle cerrado guiada por un LLM sobre componentes ejecutables de tipo white-box, evaluados directamente según el comportamiento de extremo a extremo del solver», señala el resumen del preprint de MILP-Evo en arXiv.

Qué tan bien funciona

En cuatro familias de benchmarks, la evolución de programas guiada por LLM encuentra en varios casos políticas competitivas especializadas para una clase concreta de problemas. Los autores formulan su conclusión con cautela: el método ofrece un resultado competitivo "en varias configuraciones", no una superioridad universal sobre las heurísticas manuales.

Lo más importante es el mecanismo en sí: los componentes obtenidos son código normal para SCIP, que se puede inspeccionar, perfeccionar a mano y desplegar en el flujo de trabajo estándar del solver. Esto elimina el principal inconveniente de los aceleradores neuronales: la imposibilidad de entender y modificar de forma segura lo que ha aprendido el modelo.

Qué significa esto

MILP-Evo es un ejemplo más de cómo los LLM están pasando de ser generadores de texto a motores de búsqueda automática de código: el modelo no se limita a predecir, sino que escribe componentes ejecutables y los mejora mediante la retroalimentación de ejecuciones reales. Para la optimización, esto ofrece una forma de obtener heurísticas rápidas y a la vez transparentes, sin necesidad de ajuste manual para cada clase de problema.

Preguntas frecuentes

¿Qué es MILP y por qué acelerar sus solvers?

MILP (programación lineal entera mixta) es una clase de problemas de optimización con variables enteras: logística, planificación, asignación de recursos. Se resuelven con solvers como SCIP, y la velocidad de resolución depende en gran medida de las heurísticas de selección de cortes y ramificación, que son precisamente las que diseña MILP-Evo.

¿En qué se diferencia MILP-Evo de los aceleradores neuronales de solvers?

Los enfoques de ML anteriores representan la política aprendida como un predictor externo opaco, difícil de inspeccionar y desplegar. MILP-Evo, en cambio, produce código white-box explícito en PySCIPOpt que una persona puede leer, modificar e integrar en el flujo de trabajo estándar de SCIP.