SRG：基于评分的松弛引导混合整数线性规划生成
机器学习
2026-05-13 v2
摘要
我们提出基于评分的松弛引导生成(SRG)框架，基于松弛引导随机微分方程(SDEs)的近似表述，用于混合整数线性规划。SRG 采用基于 Transformer 的评分网络，将可行性和最优性信号纳入评分建模，以鼓励所学习的生成模型在解空间中更大概率质量区域。推理时，SRG 直接从所学评分模型中采样多样的候选解，无需额外的引导模块。随后，这些候选解用于构建标准 MILP 求解器的紧凑信任区域子问题。在多个公共基准测试中，SRG 匹配或优于最强的基于学习的基线方法，尤其在具有挑战性的候选生成情形下取得显著提升。此外，SRG 在多个案例中显示出有前景的零样本迁移能力，通过更高质量的初始候选解和紧凑信任区域搜索，改善求解器目标并减少搜索时间。
引用
@article{arxiv.2603.24033,
title = {SRG: Score-based Relaxation-guided Generation for Mixed Integer Linear Programming},
author = {Ruobing Wang and Xin Li and Yujie Fang and Mingzhong Wang},
journal= {arXiv preprint arXiv:2603.24033},
year = {2026}
}