arXiv cs.AI· Jiayu Chen, Chentong Chen, Yuhan Liu, Ye Fan, Jianyong Sun, Jialong Shi·· 11 小时前AI 评分23
Evo-B&B：LLM 引导的分支与节点选择策略联合进化框架，用于 MILP 求解
Evo-B&B: Behavior-Aware LLM-Guided Joint Evolution of Branching and Node Selection Policies for MILP
AI 导读
Evo-B&B 是一个由 LLM 引导的进化框架，利用 SCIP 端到端求解反馈，联合进化可执行的分支与节点选择策略，而非分别优化这两项决策。它引入行为感知的多岛进化机制，在固定 B&B 决策状态集上度量策略相似度以保持种群多样性、减少冗余评估。在四个标准 MILP benchmark 上，Evo-B&B 取得有竞争力的求解表现，并能泛化到更大规模实例。
正文 · AI 翻译
摘要：在混合整数线性规划（MILP）的分支定界中，分支和节点选择是两个关键且紧密耦合的决策，然而大多数现有的基于学习的方法分别对它们进行优化。我们提出 Evo-B&B，一个由 LLM 引导的进化框架，利用端到端的 SCIP 求解反馈联合进化可执行的分支和节点选择策略。为提高搜索效率并减少对行为相似策略的冗余评估，Evo-B&B 引入了一种行为感知的多岛进化机制。它在一组固定的 B&B 决策状态上衡量策略在分支和节点选择行为上的相似性，并利用这种相似性来保持种群多样性。我们在多个实例规模下的四个标准 MILP 基准上评估 Evo-B&B。实验结果表明，Evo-B&B 取得了有竞争力的求解性能，并能很好地泛化到更大规模的实例，同时消融研究进一步证明了联合进化和行为感知多样性管理的有效性。
| 学科： | 人工智能（cs.AI） |
| MSC 分类： | 90C11, 90C27, 68T20 |
| ACM 分类： | I.2.8; G.1.6 |
| 引用为： | arXiv:2610.22861 [cs.AI] |
| （或 arXiv:2610.22861v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.22861 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Jiayu Chen [查看邮箱]
[v1]
2026年10月16日星期五 03:07:04 UTC（1,959 KB）
来源：arXiv cs.AI · arxiv.org