EvoCut：通过进化引导的语言模型强化整数规划
人工智能
2026-02-16 v2
摘要
整数规划（IP）是许多组合优化任务的核心内容，但由于其NP难性质，仍面临挑战。提高IP求解器的实际方法是手动设计加速割（即加速求解的不等式）。然而，这一创造性过程需要深厚的专业知识，且难以自动化。我们提出的框架EvoCut自动化地在符号建模层面生成加速割：它在符号混合整数规划模型和问题自然语言描述之间进行推理，以发现一组可用于该模型每个具体实例的可重用加速割集合。EvoCut（i）通过使用语言模型的初始化代理初始化一组候选割，（ii）通过检查参考解是否保持可行以及至少有一个存储的LP松弛解是否被切除来对候选方案在小型验证集上进行经验筛选，（iii）通过迭代的进化交叉和变异代理不断精炼候选方案。与在固定时间预算下解决的基准混合整数规划 formulation 相比，EvoCut将最优间隙降低最高可达76%，并以最高可达7.2倍的（移动几何平均数加速）速度达到目标间隙。消融实验表明其在不同LLM后端以及不同求解器/割设置下的鲁棒性。代码：https://github.com/milad1378yz/EvoCut。
引用
@article{arxiv.2508.11850,
title = {EvoCut: Strengthening Integer Programs via Evolution-Guided Language Models},
author = {Milad Yazdani and Mahdi Mostajabdaveh and Samin Aref and Zirui Zhou},
journal= {arXiv preprint arXiv:2508.11850},
year = {2026}
}