MILP-Evo：MILP求解器的闭环全自动设计

机器学习方法已表明数据驱动策略能加速混合整数线性规划（MILP）求解器，但许多方法难以检查、适配与部署——学到的策略表示为外部预测器或其他不透明模型。相比之下，显式的求解器逻辑更易理解与集成，但通常由手工设计而非从求解器反馈中学得。我们研究MILP求解器逻辑的自动设计能否改为LLM引导的闭环搜索：在可执行的白盒组件上搜索、由端到端求解器行为直接评估。为此，我们提出一个经PySCIPOpt实现的MILP求解器自动设计闭环程序进化框架，并在割平面选择器与分支规则的联合设计上实例化：候选程序被迭代生成、加载进SCIP、在MILP实例上直接执行评估，所得反馈引导基于性能的选择、定向修复、诊断反思与多样性感知的种群维护。该方法输出显式的求解器组件，可在标准求解器工作流内检查、修改与部署。跨四个基准家族，我们发现LLM引导的程序进化能在若干设置中发现有竞争力的领域专用策略。