MILP-Evolve

MILP-Evolve是一个大规模的混合整数线性规划(MILP)问题类和实例的数据集，通过基于LLM的进化框架生成，能够产生无限的、多样化的MILP问题类和实例。该数据集旨在促进基础模型的研究，这些模型能够在问题类之间泛化。它支持多种学习任务，包括整数间隙预测、学习分支以及将MILP实例与自然语言描述对齐。

MILP-Evolve is a large-scale dataset of mixed integer linear programming (MILP) problem classes and instances, generated via an LLM-based evolutionary framework that can produce unlimited and diverse MILP problem classes and instances. This dataset aims to facilitate research on foundation models capable of generalizing across different problem classes. It supports multiple learning tasks, including integer gap prediction, learning to branch, and aligning MILP instances with natural language descriptions.

搜集汇总

数据集介绍

构建方式

MILP-Evolve数据集是基于LLM进化框架生成的，该框架能够产生多样化的MILP类别和无限实例。数据集的构建旨在促进研究者在MILP领域开发基础模型，使其能够在问题类别间进行泛化。

特点

该数据集涵盖了多种MILP问题类别和实例，支持整数间隙预测、学习分支以及将MILP实例与自然语言描述对齐等多种学习任务。数据集采用mps格式存储，每个类别提供多达1000个实例，且为了便于存储，实例数据被压缩至特定文件夹中。

使用方法

用户可以通过更改代码中的种子值来为每个类别生成多个实例。数据集的使用包括但不限于整数间隙预测数据集的生成、语言-MILP对比学习数据集的应用，以及基于Ecole实现的分支模仿学习数据集的生成。详细使用方法和数据集划分可在GitHub上找到相关代码和说明。

背景与挑战

背景概述

MILP-Evolve数据集是一项大规模的混合整数线性规划（MILP）问题类别与实例的数据集，其生成基于一种LLM基础的进化框架，能够产生多样化的MILP类别及无限数量的实例。该数据集旨在推动MILP基础模型的研究，使其能够跨问题类别进行泛化。它支持多种学习任务，包括整数间隙预测、学习分支策略以及将MILP实例与自然语言描述对齐。该数据集由微软研究院的研究团队于2025年前创建，并在学术界产生了广泛的影响。

当前挑战

MILP-Evolve数据集在构建过程中遇到的挑战主要包括数据处理规模的扩展性问题，以及如何有效支持多种学习任务的数据格式。此外，在研究领域问题方面，该数据集旨在解决混合整数线性规划领域中模型泛化能力不足的问题，同时，构建过程中的挑战还包括数据集的生成与LLM模型训练的相关问题。

常用场景

经典使用场景

在混合整数线性规划（MILP）领域，MILP-Evolve数据集的典型应用场景是作为基础模型的训练数据。该数据集支持多种学习任务，如预测整数间隙、学习分支策略以及将MILP实例与自然语言描述对齐，从而为MILP问题提供了一种通用的解决框架。

实际应用

实际应用中，MILP-Evolve数据集可被用于优化问题求解器的开发，如物流、生产调度等领域的决策支持系统。通过训练数据集上的基础模型，可以显著提高这些系统在面对复杂优化问题时的高效性和准确性。

衍生相关工作

基于MILP-Evolve数据集，研究者已经衍生出了一系列相关工作，包括但不限于整数间隙预测算法的改进、分支策略的优化方法以及MILP实例与自然语言描述的对应关系研究，这些工作进一步推动了MILP领域的研究进展。