Resumen: La programación entera se encuentra en el corazón de las tareas de optimización combinatoria cruciales, pero sigue siendo desafiante debido a su naturaleza np-Hard. Un enfoque efectivo para resolver prácticamente programas enteros es el diseño manual de recortes de aceleración, es decir, desigualdades que mejoran el rendimiento del solucionador. Sin embargo, este proceso creativo exige una profunda experiencia y aún no se ha automatizado. Nuestro marco propuesto, Evocut, automatiza la generación de recortes de aceleración al combinar modelos de idiomas grandes (LLM) con una búsqueda evolutiva. Evocut (i) inicializa una población diversa de recortes de candidatos a través de un agente inicializador basado en LLM; (ii) para cada corte evalúa empíricamente tanto la preservación de la solución óptima como su capacidad para cortar soluciones fraccionales en un conjunto de verificación; y (iii) refina iterativamente la población a través de agentes de cruce y mutaciones evolutivos. Cuantificamos la utilidad de cada corte mediante su reducción relativa en la brecha de optimización del solucionador. Nuestras comparaciones con la práctica de programación de enteros estándar muestran que Evocut reduce la brecha de optimización en un 17-57% en un tiempo fijo. Obtiene las mismas soluciones hasta 4 veces más rápidas, y obtiene soluciones de mayor calidad dentro del mismo límite de tiempo. No exigir ningún aporte de expertos humanos, Evocut genera, mejora, mejora y verifica empíricamente los recortes que se generalizan a instancias invisibles. El código está disponible en esta URL HTTPS.
Publicado Originalme en export.arxiv.org El 18 de agosto de 2025.
Ver Fuente Original
