AutoOpt：自动化求解优化问题的数据集与统一框架
人工智能
2025-10-27 v1
摘要
本研究提出 AutoOpt-11k，一个包含超过 11,000 幅手写和打印的数学优化模型图像数据集，涵盖单目标、多目标、多层次和随机优化问题，呈现各种复杂性特征，如非线性、非凸、非可微、断连续和高维等。标签包括所有图像的 LaTeX 表示形式，以及部分图像的建模语言表示形式。该数据集由 25 位专家遵循伦理数据创建准则创建，并经过两阶段验证以避免错误。进一步，我们开发 AutoOpt 框架，一个基于机器学习的自动化求解优化问题的方法，用户只需提供公式的图像，AutoOpt 即可在无需任何进一步人工干预的情况下高效求解。AutoOpt 框架包含三个模块：（i）M1（Image_to_Text）——深度学习模型执行数学表达式识别（MER）任务，将优化公式中的图像生成 LaTeX 代码；（ii）M2（Text_to_Text）——小规模微调的大语言模型（LLM）从 LaTeX 代码生成 PYOMO 脚本（优化建模语言）；（iii）M3（Optimization）——基于双层优化分解（BOBD）的方法求解由 PYOMO 脚本描述的优化公式。我们使用 AutoOpt-11k 数据集训练和测试 AutoOpt 中使用的深度学习模型。 MER 任务（M1）的深度学习模型在 BLEU 分数指标上优于 ChatGPT、Gemini 和 Nougat。BOBD 方法（M3），作为一种混合方法，在复杂测试问题上优于常见方法，如内点算法和遗传算法。
引用
@article{arxiv.2510.21436,
title = {AutoOpt: A Dataset and a Unified Framework for Automating Optimization Problem Solving},
author = {Ankur Sinha and Shobhit Arora and Dhaval Pujara},
journal= {arXiv preprint arXiv:2510.21436},
year = {2025}
}
备注
NeurIPS 2025, 28 pages, 11 figures, 11 tables