L'IA face aux grands problèmes du monde · Informatique théorique · arXiv · 2026-10-22
Sélection interprétable de plans sécants pour la programmation linéaire en nombres entiers mixtes à l'aide de la programmation génétique
Titre original: Interpretable Cutting Plane Selection for Mixed-Integer Linear Programming Using Genetic Programming
Les plans sécants sont un ingrédient clé des solveurs de programmation linéaire en nombres entiers mixtes (MILP), mais les stratégies de coupes artisanales actuelles sont statiques, tandis que les stratégies apprises fondées sur les réseaux de neurones offrent une interprétabilité limitée et aucune garantie de convergence. Les auteurs proposent GPSCS, le premier cadre fondé sur l'apprentissage qui généralise les heuristiques artisanales en une politique entièrement interprétable : la programmation génétique fait évoluer une fonction de score symbolique qui classe les coupes candidates, et un mécanisme léger fondé sur des statistiques décide de manière adaptative du nombre de coupes les mieux classées à ajouter à chaque tour de séparation. Évalué dans SCIP sur sept classes de benchmarks synthétiques et réels dont les instances d'évaluation sont en moyenne 41 fois plus difficiles que celles de l'entraînement, GPSCS améliore le temps de résolution moyen de 6% par rapport à la configuration par défaut de SCIP et obtient une accélération d'un facteur deux tant par rapport à une récente approche neuronale que par rapport à une ligne de base sans coupes.