混合整数线性和非线性规划的自动研究

尽管自动研究最近取得了进展，但将其应用于实际运筹学问题（通常表述为 NP 难混合整数线性或非线性程序（MILP 或 MINLP））仍然具有挑战性，因为有效的研究需要系统地管理竞争想法和长期实验轨迹。我们引入了 AutoMIP，这是一种可重用的Agent技能，用于通过想法池和算法树搜索来组织混合整数编程中的长期自动研究。 AutoMIP 维护一个持久的互补候选想法池，同时将可执行实验组织到算法树中，使Agent能够保留未探索的假设，完善有前途的算法，并根据历史状态切换到替代方法方向。在 MILP 和 MINLP 基准队列中，AutoMIP 在评估的自动研究框架中实现了最高的最终成功率。在 MIPLib 上，AutoMIP 为 60 个实例中的 31 个发现了新的最佳解决方案，超越了现有的自动研究框架。在 MINLPLib 上，它为 60 个实例中的 52 个实例实现了新的最佳解决方案。消融研究进一步证明了思想池和算法树搜索的互补贡献，强调了共同维护多样化研究思想和结构化实验轨迹对于长期自动研究的重要性。