LogiOR

LogiOR是一个全面的基准数据集，包含92个物流和供应链优化问题，这些问题是在三位运筹学专家的指导下，经过两个月开发而成的。这些问题改编自经典的运筹学求解器测试数据集、教科书案例、研究论文和实际应用。LogiOR覆盖了广泛的优化类型，包括线性规划（LP）、整数线性规划（ILP）、混合整数线性规划（MILP）和非线性规划（NLP）。每个问题都配备了标准化的注释，包括数学公式、可执行的Gurobi实现代码、最优解和问题特征（类型、大小指标）。这使得可以进行全面的评估，方便同行验证，并为推理LLM训练提供丰富的监督信号。LogiOR is a comprehensive benchmark dataset consisting of 92 logistics and supply chain optimization problems, which were developed over two months under the guidance of three operations research experts. These problems are adapted from classic operations research solver test datasets, textbook cases, research papers, and real-world applications. LogiOR covers a wide range of optimization types, including Linear Programming (LP), Integer Linear Programming (ILP), Mixed-Integer Linear Programming (MILP), and Nonlinear Programming (NLP). Each problem is equipped with standardized annotations, including mathematical formulas, executable Gurobi implementation code, optimal solutions, and problem characteristics (type and size metrics). This enables comprehensive evaluation, facilitates peer validation, and provides rich supervisory signals for the training of reasoning-focused Large Language Models (LLMs).

原始信息汇总

数据集概述

基本信息

• 名称: LogiOR
• 许可证: CC BY 4.0
• 任务类别: 问答
• 语言: 英语
• 标签: OR、OperationsResearch
• 规模: n<1K

内容描述

LogiOR是一个综合性基准数据集，包含92个物流和供应链优化问题。该数据集在三位运筹学（OR）专家的指导下历时两个月开发完成。问题来源包括经典OR求解器测试数据集、教科书示例、研究论文和实际应用。

覆盖范围

数据集涵盖以下优化类型：

• 线性规划（LP）
• 整数线性规划（ILP）
• 混合整数线性规划（MILP）
• 非线性规划（NLP）

标注信息

每个问题都配备标准化标注：

• 数学公式
• 可执行的Gurobi实现代码
• 最优解
• 问题特征（类型、规模指标）

用途

• 支持全面评估
• 便于同行验证
• 为推理大语言模型训练提供丰富的监督信号

贡献方式

欢迎通过以下方式贡献：

• 报告错误
• 贡献新问题
• 提供反馈或建议

引用信息

如果使用本数据集，请引用： txt @misc{yang2025automatedoptimizationmodelingexpertguided, title={Automated Optimization Modeling through Expert-Guided Large Language Model Reasoning}, author={Beinuo Yang and Qishen Zhou and Junyi Li and Chenxing Su and Simon Hu}, year={2025}, eprint={2508.14410}, archivePrefix={arXiv}, primaryClass={cs.AI}, url={https://arxiv.org/abs/2508.14410}, }

搜集汇总

数据集介绍

构建方式

在运筹学领域，LogiOR数据集的构建过程体现了严谨的学术规范。该数据集由三位运筹学专家历时两个月指导开发，整合了来自经典求解器测试集、教科书案例、研究论文及实际应用的92个物流与供应链优化问题。每个问题均经过标准化处理，包含数学建模形式、可执行的Gurobi代码、最优解及问题特征标注，确保了数据的完整性与可验证性。

特点

LogiOR的显著特征在于其多模态的问题呈现方式与全面的覆盖范围。数据集涵盖线性规划、整数线性规划、混合整数线性规划及非线性规划四大优化类型，每个问题均配备机器可读的数学表达式与可执行代码。这种结构不仅支持传统运筹学研究，更为大语言模型提供了丰富的推理训练信号，实现了理论建模与计算实践的深度融合。

使用方法

该数据集的使用需结合运筹学建模与计算实验方法。研究者可通过解析标准化的问题描述与数学公式构建优化模型，利用附带的Gurobi代码验证求解过程。对于大语言模型训练，可将其作为监督信号来源，通过问题描述到数学模型的映射关系培养逻辑推理能力。所有应用需遵循CC BY 4.0许可协议并规范引用原始文献。

背景与挑战

背景概述

物流与供应链优化作为运筹学的核心应用领域，长期面临着复杂决策问题的建模与求解挑战。LogiOR数据集由三位运筹学专家指导开发，于2025年正式发布，旨在为大规模语言模型提供结构化训练与评估基准。该数据集整合了经典求解器测试集、教科书案例及实际应用场景中的92个优化问题，覆盖线性规划、整数规划及非线性规划等多类模型，通过标准化数学表述与可执行代码推动自动化建模研究的发展。

当前挑战

该数据集致力于解决运筹学领域复杂优化问题的自动化建模挑战，包括多变量约束条件下的模型构建与精确求解。构建过程中需克服原始问题描述的语义歧义性，确保数学形式化表达的严谨性与求解代码的可靠性。不同来源数据的标准化整合与大规模语言模型适配标注的生成，进一步增加了数据集构建的技术复杂度。

常用场景

经典使用场景

在运筹学与供应链管理研究中，LogiOR数据集常被用于评估大型语言模型在复杂优化问题建模与求解中的推理能力。研究者通过该数据集提供的标准化数学建模框架和Gurobi代码实现，系统测试模型对线性规划、整数规划等典型问题的形式化转换精度，为智能决策支持系统提供基准验证平台。

实际应用

LogiOR在智能物流系统设计中具有重要应用价值，企业可借助其标注的优化模型构建智能调度引擎，实现仓储规划、运输路径优化等实际业务场景的自动化决策。其提供的可执行代码范式可直接集成至商业优化软件，降低传统运筹学技术落地的工程化门槛。

衍生相关工作

基于LogiOR衍生的经典研究包括自动化数学建模框架的开发与验证，例如结合大语言模型的约束条件提取技术、混合整数规划的神经符号推理方法等。这些工作显著推进了智能优化求解器的演进，并为《Automated Optimization Modeling through Expert-Guided Large Language Model Reasoning》等核心文献提供实验基础。