AI与世界难题 · 理论计算机科学 · arXiv · 2026-10-22
基于遗传编程的混合整数线性规划可解释割平面选择
原标题: Interpretable Cutting Plane Selection for Mixed-Integer Linear Programming Using Genetic Programming
割平面是混合整数线性规划（MILP）求解器的关键组成部分，但现有的手工割策略是静态的，而基于神经网络的学习策略可解释性有限且没有收敛保证。作者提出了GPSCS，这是首个将手工启发式方法泛化为完全可解释策略的基于学习的框架：遗传编程演化出一个对候选割进行排序的符号化评分函数，而一个轻量级的基于统计的机制则自适应地决定每轮分离中添加多少个排名靠前的割。GPSCS在SCIP中针对七类合成与真实世界基准进行了评估，这些基准的评估实例平均比训练实例难41倍。结果显示，与SCIP默认设置相比，GPSCS将平均求解时间缩短了6%，并且相比近期的一种神经方法和无割基线均实现了两倍加速。