CardinalOperations/MAMO

--- license: cc-by-nc-4.0 language: - en pretty_name: MAMO size_categories: - n<1K configs: - config_name: default data_files: - split: easy_lp path: "MAMO_EasyLP.json" - split: complex_lp path: "MAMO_ComplexLP.json" --- ## Overview This dataset is a direct copy of the [MAMO Optimization Data](https://github.com/FreedomIntelligence/Mamo), with its EasyLP and ComplexLP components duplicated but with adapted field names. ## Citation ```latex @misc{huang2024mamo, title={Mamo: a Mathematical Modeling Benchmark with Solvers}, author={Xuhan Huang and Qingning Shen and Yan Hu and Anningzhe Gao and Benyou Wang}, year={2024}, eprint={2405.13144}, archivePrefix={arXiv}, primaryClass={cs.AI} } ```--- 许可证：CC-BY-NC-4.0 语言： - 英语 正式命名：MAMO 规模分类： - 样本量少于1000 配置项： - 配置名称：默认配置 数据文件： - 拆分集：easy_lp，文件路径："MAMO_EasyLP.json" - 拆分集：complex_lp，文件路径："MAMO_ComplexLP.json" --- ## 概述 本数据集为[MAMO优化数据](https://github.com/FreedomIntelligence/Mamo)的直接复刻，保留了其EasyLP与ComplexLP两个子组件，但对字段名称进行了适配调整。 ## 引用 latex @misc{huang2024mamo, title={Mamo: a Mathematical Modeling Benchmark with Solvers}, author={Xuhan Huang and Qingning Shen and Yan Hu and Anningzhe Gao and Benyou Wang}, year={2024}, eprint={2405.13144}, archivePrefix={arXiv}, primaryClass={cs.AI} }

原始信息汇总

数据集概述

• 名称: MAMO
• 许可证: CC-BY-NC-4.0
• 语言: 英语
• 大小类别: 小于1K

配置详情

• 默认配置
  • 数据文件:
    • easy_lp: MAMO_EasyLP.json
    • complex_lp: MAMO_ComplexLP.json

引用信息

latex @misc{huang2024mamo, title={Mamo: a Mathematical Modeling Benchmark with Solvers}, author={Xuhan Huang and Qingning Shen and Yan Hu and Anningzhe Gao and Benyou Wang}, year={2024}, eprint={2405.13144}, archivePrefix={arXiv}, primaryClass={cs.AI} }

搜集汇总

数据集介绍

构建方式

在数学建模研究领域，数据集的构建往往依赖于严谨的学术工作。MAMO数据集源自《Mamo: a Mathematical Modeling Benchmark with Solvers》这一研究，其构建过程遵循了科学基准的创建范式。研究者们精心设计了EasyLP与ComplexLP两个核心组件，分别对应不同复杂度的线性规划问题。这些数据并非简单收集，而是通过算法生成或理论推导，确保了问题在数学上的正确性与多样性。原始数据经过规范的整理与字段适配，最终形成了结构清晰、可直接用于算法评测的标准化数据集。

特点

MAMO数据集在数学优化基准领域展现出鲜明的特色。其核心在于区分了简易线性规划与复杂线性规划两类问题，这种分层设计为评估求解器的泛化能力与鲁棒性提供了梯度。数据集规模虽未超过千例，但每个实例都经过精心构造，旨在覆盖线性规划问题中具有代表性的约束与目标函数形态。作为一项专门化的基准，它不追求海量数据，而是强调问题的典型性与评测的深度，为数学建模与自动化求解研究提供了精准的靶向工具。

使用方法

对于致力于优化算法或自动化数学建模的研究者而言，MAMO数据集提供了清晰的实用路径。用户可通过加载其发布的JSON格式文件，分别访问EasyLP与ComplexLP两个子集。典型的使用场景包括：将数据集中的问题实例输入到待评测的求解器中，系统性地比较不同算法在求解精度、效率上的表现；亦可将其作为训练数据，用于构建或微调能够理解并转化自然语言描述为数学模型的智能系统。遵循其引用的学术规范，使用该数据集时应注明原始文献，以确保学术贡献的溯源性。

背景与挑战

背景概述

在人工智能与数学建模交叉领域，2024年由黄旭涵、沈清宁等研究人员发布的MAMO数据集，标志着数学问题自动化求解研究的重要进展。该数据集聚焦于数学建模任务的基准测试，旨在评估和提升模型在复杂数学场景下的推理与求解能力。通过整合EasyLP与ComplexLP两大组件，MAMO不仅为研究者提供了结构化的优化问题实例，还推动了数学建模与机器学习技术的深度融合，对自动化求解系统的发展产生了深远影响。

当前挑战

MAMO数据集所应对的核心挑战在于数学建模问题的多样性与复杂性，这要求模型具备高级抽象与逻辑推理能力，以处理线性规划等优化任务中的变量约束与目标函数。在构建过程中，研究人员需克服数据标注的精确性难题，确保每个数学实例的规范性与可解性，同时平衡问题难度分布，以全面评估模型性能。这些挑战共同凸显了数学建模自动化领域对高质量基准数据的迫切需求。

常用场景

经典使用场景

在数学建模与优化领域，MAMO数据集以其精心设计的线性规划问题为核心，为研究者提供了一个标准化的评估平台。该数据集通过EasyLP与ComplexLP两个子集，分别涵盖基础与复杂的线性规划实例，使得算法能够在可控的难度梯度下进行性能测试。这一设计不仅促进了优化算法的横向比较，还推动了求解器在数学建模任务中的泛化能力研究，成为该领域内不可或缺的基准工具。

实际应用

在实际应用中，MAMO数据集可服务于资源分配、生产调度、物流规划等现实世界的优化需求。例如，在供应链管理中，基于ComplexLP子集的复杂约束问题能够模拟多变量决策场景，帮助开发高效的求解器以优化库存与运输成本。此外，该数据集还可用于教育领域，作为培训学生与工程师解决实际数学建模问题的教学资源，提升实践能力。

衍生相关工作

围绕MAMO数据集，已衍生出多项经典研究工作，主要集中在增强求解器的泛化性能与混合方法创新上。例如，研究者利用该数据集训练神经网络与符号计算结合的新型优化模型，以提升对复杂线性规划问题的处理效率。这些工作不仅扩展了人工智能在数学建模中的应用边界，还催生了更健壮的基准测试框架，进一步丰富了优化领域的学术生态。