MILP-Evo는 혼합정수선형계획(MILP) 솔버의 내부 로직을 LLM 유도 폐루프 탐색으로 자동 설계하는 프레임워크다. 기존 ML 기반 솔버 가속은 학습된 정책이 불투명한 외부 예측기라 검사·수정·배포가 어려웠는데, 이 방법은 검사 가능한 화이트박스 프로그램(컷 선택기와 분기 규칙)을 후보로 생성해 PySCIPOpt로 SCIP에 로드하고 실제 MILP 인스턴스 실행 결과로 평가한다. 성능 기반 선택, 표적 수리, 진단적 반성, 다양성 유지가 결합된 진화 루프를 돌며, 산출물은 표준 솔버 워크플로에 그대로 배포할 수 있는 명시적 코드다. 4개 벤치마크 계열에서 경쟁력 있는 도메인 특화 정책을 발견해, LLM 기반 프로그램 진화가 해석 가능한 솔버 자동 설계의 대안이 될 수 있음을 보였다.
- •불투명한 ML 예측기 대신 검사·수정·배포 가능한 화이트박스 솔버 컴포넌트를 LLM으로 진화시키는 접근
- •PySCIPOpt 기반으로 컷 선택기와 분기 규칙을 공동 설계하는 폐루프 프레임워크 구현
- •후보 프로그램을 SCIP에 실제 로드해 엔드투엔드 솔버 성능으로 직접 평가
- •성능 기반 선택·표적 수리·진단적 반성·다양성 유지를 결합한 진화 루프
- •4개 벤치마크 계열에서 경쟁력 있는 도메인 특화 정책 발견
MILP-Evo: Closed-Loop Fully Automatic Design of MILP Solvers
본문 미리보기
arXiv:2607.18252v1 Announce Type: new Abstract: Machine learning methods have shown that data-driven policies can accelerate mixed-integer linear programming (MILP) solvers, but many such approaches remain difficult to inspect, adapt, and deploy because the learned policy is represented as an external predictor or other opaque model. By contrast, explicit solver logic is easier to understand and integrate, but is usually hand-designed rather than learned from solver feedback. We study whether t
전체 내용이 궁금하다면?
원문을 직접 읽어보세요