La IA y los problemas difíciles del mundo · Informática teórica · arXiv · 2026-10-22
Selección interpretable de planos de corte para programación lineal entera mixta mediante programación genética
Título original: Interpretable Cutting Plane Selection for Mixed-Integer Linear Programming Using Genetic Programming
Los planos de corte son un ingrediente clave en los solucionadores de programación lineal entera mixta (MILP), pero las estrategias de corte artesanales actuales son estáticas, mientras que las estrategias aprendidas basadas en redes neuronales ofrecen una interpretabilidad limitada y ninguna garantía de convergencia. Los autores proponen GPSCS, el primer marco basado en aprendizaje que generaliza heurísticas artesanales en una política completamente interpretable: la programación genética evoluciona una función de puntuación simbólica que clasifica los cortes candidatos, y un mecanismo ligero basado en estadísticas decide de forma adaptativa cuántos cortes mejor clasificados añadir en cada ronda de separación. Evaluado en SCIP en siete clases de benchmarks sintéticos y del mundo real cuyas instancias de evaluación son de media 41 veces más difíciles que las de entrenamiento, GPSCS mejora el tiempo medio de resolución en un 6% respecto al valor por defecto de SCIP y logra una aceleración del doble frente tanto a un enfoque neuronal reciente como a una línea base sin cortes.