基于分层分组建模的多智能体博弈框架

分支变量选择策略是影响组合优化精确求解器中分支定界算法效率的核心模块。机器学习方法虽能有效学习分支策略，但其“黑箱”特性与高部署成本限制了在工业求解器中的实际应用。本数据集围绕面向组合优化求解器的符号发现框架（Symb4CO与GS4CO）构建，提供了用于训练和评估可解释符号分支策略的完整数据。数据集包含：（1）基于集合覆盖、组合拍卖、设施选址和最大独立集四个标准基准生成的混合整数线性规划实例；（2）利用全强分支专家策略收集的状态-动作对样本；（3）通过深度符号发现框架学习到的紧凑、可解释的一行式符号表达式策略；（4）在纯CPU环境下对不同难度实例的求解效率评估结果。本数据集不仅支持对分支策略学习算法的复现与评估，其提供的可解释符号策略更为运筹优化研究者理解数据驱动的求解器加速机理提供了宝贵资源，并为工业级求解器的轻量化部署提供了经过验证的可行方案。