MILP-Evo: LLM projeta e acelera por conta própria a lógica de solvers de otimização MILP

Pesquisadores apresentaram o MILP-Evo, um sistema em que um grande modelo de linguagem (LLM), em um ciclo fechado, escreve, executa e melhora por conta própria a lógica de solvers de programação linear inteira mista (MILP). O preprint foi publicado no arXiv em julho de 2026: o método gera componentes transparentes de solver, que o engenheiro pode ler, verificar e incorporar ao fluxo de trabalho padrão.

Como funciona o ciclo fechado

O MILP-Evo gera programas candidatos de forma iterativa, carrega-os no solver de código aberto SCIP por meio da biblioteca PySCIPOpt e os avalia pelo comportamento real em problemas MILP. O resultado de cada execução vira um retorno que orienta a evolução seguinte do código, sem humano no ciclo.

No trabalho, o método foi testado no projeto conjunto de dois componentes do solver: o seletor de cortes (cut selector) e a regra de ramificação (branching rule). São esses dois pontos que, em grande parte, determinam a rapidez com que o solver encontra uma solução inteira.

• Dois componentes são projetados em conjunto: o seletor de cortes (cut selector) e a regra de ramificação (branching rule)
• Os candidatos são executados diretamente no SCIP por meio do PySCIPOpt — a avaliação considera o comportamento de ponta a ponta do solver, e não uma métrica substituta
• Quatro mecanismos de evolução: seleção por resultado, reparo pontual do código, reflexão diagnóstica e manutenção da diversidade da população
• A verificação foi feita em quatro famílias de benchmarks
• A saída é código white-box legível, e não um preditor externo do tipo «caixa-preta»

Em que isso supera o ML tradicional para solvers

O MILP-Evo entrega código explícito e legível em vez de um preditor externo, e essa é a principal diferença em relação às abordagens data-driven anteriores. Segundo os autores, as políticas de aprendizado de máquina treinadas costumam ser apresentadas como um modelo opaco, difícil de inspecionar, adaptar e implantar. Já a lógica de solver escrita à mão é compreensível e fácil de integrar, mas é elaborada manualmente, e não derivada do retorno do próprio solver.

O MILP-Evo tenta combinar o melhor dos dois mundos: a lógica continua legível a olho nu, mas quem a sintetiza não é uma pessoa, e sim um ciclo de busca conduzido por um LLM.

«Estudamos se o projeto automático da lógica de solvers MILP pode ser

formulado como uma busca em ciclo fechado, guiada por LLM, sobre componentes white-box executáveis, avaliados diretamente pelo comportamento de ponta a ponta do solver», diz o resumo do preprint do MILP-Evo no arXiv.

Até que ponto funciona

Em quatro famílias de benchmarks, a evolução de programas guiada por LLM encontra, em alguns casos, políticas competitivas e especializadas em uma classe específica de problemas. Os autores formulam a conclusão com cautela: o método apresenta resultado competitivo «em várias configurações», e não superioridade universal sobre as heurísticas escritas à mão.

Mais importante é o próprio mecanismo: os componentes obtidos são código comum para o SCIP, que pode ser inspecionado, refinado manualmente e implantado no workflow padrão do solver. Isso elimina a principal desvantagem dos aceleradores neurais — a impossibilidade de entender e corrigir com segurança aquilo que o modelo aprendeu.

O que isso significa

O MILP-Evo é mais um exemplo de LLMs deixando de ser geradores de texto para se tornarem motores de busca automática de código: o modelo não apenas prevê, mas escreve componentes executáveis e os aprimora com base no retorno de uma execução real. Para a otimização, é uma forma de obter heurísticas rápidas e, ao mesmo tempo, transparentes, sem ajuste manual para cada classe de problemas.

Perguntas frequentes

O que é MILP e por que acelerar seus solvers?

MILP (mixed-integer linear programming, programação linear inteira mista) é uma classe de problemas de otimização com variáveis inteiras: logística, planejamento, alocação de recursos. Eles são resolvidos por solvers como o SCIP, e a velocidade da resolução depende muito das heurísticas de escolha de cortes e de ramificação — justamente as que o MILP-Evo projeta.

Em que o MILP-Evo difere dos aceleradores neurais de solvers?

As abordagens anteriores de ML representam a política aprendida como um preditor externo e opaco, difícil de inspecionar e implantar. O MILP-Evo, em vez disso, entrega código white-box explícito em PySCIPOpt, que uma pessoa pode ler, modificar e incorporar ao processo de trabalho padrão do SCIP.