MathOptBenchmarkInstances.jl

一个Julia包，用于自动下载和解析线性、二次和整数规划实例。

A Julia package for automatically downloading and parsing linear, quadratic, and integer programming instances.

原始信息汇总

MathOptBenchmarkInstances.jl 数据集概述

数据集简介

MathOptBenchmarkInstances.jl 是一个用于自动下载和解析线性规划、二次规划和整数规划实例的 Julia 软件包。

包含的数据集

线性规划 (LP)

• Netlib
  • 来源：https://www.netlib.org/lp/data/index.html
  • 状态：已支持
• Mittelmann LP benchmark
  • 来源：https://plato.asu.edu/ftp/lptestset/
  • 状态：已支持

混合整数线性规划 (MILP)

• MIPLIB 2017
  • 来源：https://miplib.zib.de/index.html
  • 状态：已支持

二次规划 (QP)

• Maros-Meszaros
  • 来源：https://www.doc.ic.ac.uk/~im/#DATA
  • 状态：已支持
• QPLIB
  • 来源：https://qplib.zib.de/
  • 状态：未支持

使用说明

1. 列出可用数据集：调用 values(Dataset)。
2. 列出特定数据集的实例：调用 list_instances(dataset)。
3. 读取特定实例：调用 read_instance(dataset, name)。返回值为元组 (problem, path)，其中 problem 为 QPSReader.jl 中的 QPSData 类型，path 指向本地解压后的源文件。

重要提示

• 问题源文件通过 DataDeps.jl 自动下载。
• 每次下载需在 REPL 中手动验证。
• 解压后的实例文件可能非常大（例如完整的 MIPLIB 2017 集合超过 80 GB）。如需清理空间，可删除 MathOptBenchmarkInstances.MPS_SCRATCH 文件夹内的文件。

许可

使用前请阅读并遵守计划使用数据集的许可协议。

搜集汇总

数据集介绍

构建方式

在数学优化领域，基准测试实例的收集与标准化对于算法性能评估至关重要。MathOptBenchmarkInstances.jl 通过集成多个权威优化问题库，构建了一个系统化的实例集合。该工具利用 DataDeps.jl 实现自动化下载与验证机制，用户首次调用时会触发交互式确认流程，确保数据来源的合法性与完整性。数据集涵盖线性规划、混合整数线性规划及二次规划等经典问题类型，实例文件以标准 MPS 或 QPS 格式存储，并通过 QPSReader.jl 进行解析，最终转换为统一的 Julia 数据结构。

使用方法

使用该数据集时，用户可通过简单的函数调用快速访问优化实例。首先利用 `values(Dataset)` 枚举所有可用数据集，再通过 `list_instances(dataset)` 获取特定数据集的实例列表。读取具体实例时，`read_instance(dataset, name)` 函数返回包含问题对象与源文件路径的元组，问题对象可直接用于优化求解器。为处理大规模实例文件，用户需注意磁盘空间管理，并可通过环境变量配置自动下载验证，以适配不同的运行环境。

背景与挑战

背景概述

在数学优化领域，基准测试实例的标准化与可访问性对于算法性能评估至关重要。MathOptBenchmarkInstances.jl 数据集由 JuliaDecisionFocusedLearning 团队开发，旨在为线性规划、二次规划和整数规划提供自动化下载与解析工具。该数据集整合了 Netlib、MIPLIB 2017 等经典基准库，通过 Julia 语言的高效生态系统，促进了优化算法的可复现性研究，并为决策导向学习等前沿方向提供了数据支撑。

当前挑战

该数据集致力于解决数学优化中算法泛化能力评估的挑战，即如何在不同类型与规模的规划实例上统一测试算法性能。构建过程中面临多重困难：实例文件体积庞大，如 MIPLIB 2017 完整集合超过 80 GB，对存储与传输构成压力；数据格式异构性要求复杂的解析与转换流程；同时需平衡自动化下载与用户手动验证间的交互设计，以确保数据使用的合规性与可靠性。

常用场景

经典使用场景

在数学优化领域，基准测试实例的获取与解析是算法性能评估的关键环节。MathOptBenchmarkInstances.jl 通过自动化下载与解析线性规划、二次规划及整数规划的标准数据集，为研究人员提供了一个高效、统一的接口，极大地简化了优化算法的对比实验流程。该工具集成了 Netlib、MIPLIB 2017 等经典基准库，使得用户能够便捷地加载各类优化问题实例，从而专注于算法设计与性能分析，避免了手动处理数据格式的繁琐工作。

解决学术问题

该数据集解决了数学优化研究中基准实例获取困难、格式不统一的核心问题。通过标准化接口，它促进了不同优化算法在相同实例上的公平比较，为算法鲁棒性、求解效率及可扩展性研究提供了可靠基础。其意义在于推动了优化领域的实证研究规范化，使得学术成果更具可复现性，同时加速了新算法的验证与迭代过程，对优化理论向实际应用的转化起到了桥梁作用。

实际应用

在实际应用中，MathOptBenchmarkInstances.jl 被广泛用于工业优化、供应链管理及金融建模等场景的算法测试。例如，在物流路径规划中，研究人员可利用其中的整数规划实例评估求解器性能；在投资组合优化中，二次规划实例则帮助验证风险模型的有效性。该工具通过提供真实世界的基准问题，使得优化算法能够在接近实际复杂度的环境中接受检验，从而提升解决方案的实用性与可靠性。

数据集最近研究

最新研究方向

在数学优化领域，基准测试实例的标准化与自动化管理正成为推动算法创新的关键驱动力。MathOptBenchmarkInstances.jl作为Julia生态中的专用工具包，其前沿研究聚焦于集成多类优化问题实例，如线性规划、混合整数规划及二次规划，并借助自动化下载与解析机制，为大规模优化算法的性能评估提供统一平台。当前热点事件包括与决策导向学习框架的深度融合，旨在通过高效数据流支持强化学习与优化模型的协同训练，从而应对复杂现实场景中的动态决策挑战。这一进展不仅提升了优化研究的可复现性，也为跨领域应用如供应链管理与能源系统优化奠定了坚实的数据基础，具有显著的学术与工程意义。