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

Исследователи представили MILP-Evo — систему, где большая языковая модель (LLM) в замкнутом цикле сама пишет, запускает и улучшает логику солверов смешанно-целочисленного линейного программирования (MILP). Препринт вышел на arXiv в июле 2026 года: метод генерирует прозрачные компоненты солвера, которые инженер может прочитать, проверить и внедрить в стандартный рабочий процесс.

Как устроен замкнутый цикл

MILP-Evo итеративно генерирует программы-кандидаты, загружает их в открытый солвер SCIP через библиотеку PySCIPOpt и оценивает по реальному поведению на MILP-задачах. Результат каждого прогона становится обратной связью, которая управляет дальнейшей эволюцией кода — без человека в цикле.

В работе метод обкатали на совместном дизайне сразу двух компонентов солвера: селектора отсечений (cut selector) и правила ветвления (branching rule). Именно эти два узла во многом определяют, насколько быстро солвер находит целочисленное решение.

• Совместно проектируются два узла: селектор отсечений (cut selector) и правило ветвления (branching rule)
• Кандидаты исполняются прямо в SCIP через PySCIPOpt — оценка идёт по сквозному поведению солвера, а не по прокси-метрике
• Четыре механизма эволюции: отбор по результату, точечный ремонт кода, диагностическая рефлексия и поддержание разнообразия популяции
• Проверка проведена на четырёх семействах бенчмарков
• На выходе — читаемый white-box-код, а не внешний предиктор-«чёрный ящик»

Чем это лучше обычного ML для солверов

MILP-Evo выдаёт явный, читаемый код вместо внешнего предиктора, и в этом главное отличие от прежних data-driven подходов. По формулировке авторов, обученные политики машинного обучения обычно представлены как непрозрачная модель, которую трудно инспектировать, адаптировать и разворачивать. Ручная логика солвера, наоборот, понятна и легко интегрируется, но её пишут вручную, а не выводят из обратной связи самого солвера.

MILP-Evo пытается взять лучшее с обеих сторон: логику по-прежнему можно прочитать глазами, но синтезирует её не человек, а поисковый цикл под управлением LLM.

«Мы изучаем, можно ли автоматический дизайн логики MILP-солвера

представить как управляемый LLM поиск в замкнутом цикле по исполняемым white-box-компонентам, оцениваемым напрямую по сквозному поведению солвера», — говорится в аннотации препринта MILP-Evo на arXiv.

Насколько это работает

На четырёх семействах бенчмарков LLM-управляемая эволюция программ в ряде случаев находит конкурентоспособные политики, специализированные под конкретный класс задач. Авторы формулируют вывод осторожно: метод даёт competitive результат «в нескольких настройках», а не универсальное превосходство над ручными эвристиками.

Важнее сам механизм: полученные компоненты — это обычный код для SCIP, который можно проинспектировать, доработать руками и задеплоить в стандартный workflow солвера. Это снимает главный минус нейросетевых ускорителей — невозможность понять и безопасно править то, что выучила модель.

Что это значит

MILP-Evo — ещё один пример того, как LLM превращаются из генераторов текста в движки автоматического поиска кода: модель не просто предсказывает, а пишет исполняемые компоненты и улучшает их по обратной связи от реального запуска. Для оптимизации это способ получать быстрые и при этом прозрачные эвристики без ручного тюнинга под каждый класс задач.

Частые вопросы

Что такое MILP и зачем ускорять его солверы?

MILP (mixed-integer linear programming, смешанно-целочисленное линейное программирование) — класс задач оптимизации с целочисленными переменными: логистика, планирование, распределение ресурсов. Их решают солверы вроде SCIP, а скорость решения сильно зависит от эвристик выбора отсечений и ветвления — именно их и проектирует MILP-Evo.

Чем MILP-Evo отличается от нейросетевых ускорителей солверов?

Прежние ML-подходы представляют выученную политику как внешний непрозрачный предиктор, который трудно инспектировать и разворачивать. MILP-Evo вместо этого выдаёт явный white-box-код на PySCIPOpt, который человек может прочитать, изменить и встроить в стандартный процесс работы SCIP.