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

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

Como funciona o ciclo fechado

O MILP-Evo gera iterativamente programas candidatos, carrega-os no solver de código aberto SCIP por meio da biblioteca PySCIPOpt e os avalia com base no comportamento real em problemas MILP. O resultado de cada execução se torna um feedback que orienta a evolução seguinte do código — sem nenhum humano no ciclo.

No estudo, o método foi testado no design conjunto de dois componentes do solver ao mesmo tempo: o seletor de cortes (cut selector) e a regra de ramificação (branching rule). São justamente esses dois pontos que, em grande medida, 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 via PySCIPOpt — a avaliação é feita com base no comportamento ponta a ponta do solver, não em uma métrica proxy
• Quatro mecanismos de evolução: seleção por resultado, reparo pontual do código, reflexão diagnóstica e manutenção da diversidade da população
• Os testes foram realizados em quatro famílias de benchmarks
• O resultado final é um código white-box legível, e não um preditor externo do tipo "caixa-preta"

Por que isso é melhor que o ML tradicional para solvers

O MILP-Evo produz código explícito e legível em vez de um preditor externo, e essa é a principal diferença em relação às abordagens data-driven anteriores. Segundo a formulação dos autores, as políticas de machine learning treinadas costumam ser representadas como um modelo opaco, difícil de inspecionar, adaptar e implantar. Já a lógica manual do solver é compreensível e fácil de integrar, mas é escrita à mão, em vez de derivada do próprio feedback do solver.

O MILP-Evo tenta reunir o melhor dos dois mundos: a lógica continua podendo ser lida a olho nu, mas quem a sintetiza não é um humano, e sim um ciclo de busca conduzido por um LLM.

"Estudamos se o design automático da lógica de um solver MILP pode ser

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

O quanto isso funciona

Em quatro famílias de benchmarks, a evolução de programas guiada por LLM encontra, em vários casos, políticas competitivas especializadas para uma classe específica de problemas. Os autores formulam a conclusão com cautela: o método entrega um resultado competitivo "em várias configurações", e não uma superioridade universal sobre as heurísticas manuais.

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

O que isso significa

O MILP-Evo é mais um exemplo de como os LLMs estão deixando de ser apenas 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 feedback de execuções reais. Para a otimização, isso representa uma forma de obter heurísticas rápidas e, ao mesmo tempo, transparentes, sem a necessidade de ajuste manual para cada classe de problema.

Perguntas frequentes

O que é MILP e por que acelerar seus solvers?

MILP (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 de resolução depende fortemente das heurísticas de seleção de cortes e ramificação — exatamente o que o MILP-Evo projeta.

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

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