MILP-Evolve ist ein von Microsoft Research im Jahr 2025 veröffentlichter großer Datensatz von Klassen und Instanzen gemischt-ganzzahliger linearer Programme (MILP), der auf einem evolutionären Framework mit großen Sprachmodellen (LLM) basiert. Die zugehörige Forschungspublikation ist „Towards Foundation Models for Mixed Integer Linear Programming" und zielt darauf ab, die Forschung an MILP-Grundlagenmodellen zu fördern, die über Problemklassen hinweg generalisieren können.

Der Datensatz enthält vielfältige Klassen-Coderepräsentationen, die durch das evolutionäre Framework erzeugt wurden (unterteilt in Tab 1 und Tab 2, entsprechend den Tabellen im Paper), sowie bis zu 1.000 MILP-Instanzen im MPS-Format pro Klasse, die mit verschiedenen Seeds generiert wurden. Die Daten unterstützen verschiedene Lernaufgaben wie Integrality-Gap-Vorhersage, Learning to Branch sowie die Ausrichtung von MILP-Instanzen an natürlichen Sprachbeschreibungen und bieten damit eine umfangreiche Ressource für Modelltraining und -evaluierung in verwandten Bereichen.

Datenbestandteile

• milp_code: MILP-Klassencode, wobei tab 1 und tab 2 unter evolve/seed den Table 1 und Table 2 im Paper entsprechen.

• instances: MILP-Instanzdaten im MPS-Format, mit bis zu 1.000 Instanzen pro Klasse. Da die Datenmenge groß ist, sind einige Instanzen in komprimierter Form als tab1_compressed und tab2_compressed verfügbar und müssen vor der Verwendung selbst entpackt werden.

• gap_data_example.tar.gz: Beispieldaten für die Aufgabe zur Vorhersage der Integrality Gap.

• language_data_example.tar.gz: Beispieldaten für die Sprach-MILP-Kontrastivlernaufgabe.

• Learning to Branch: Da die Datenmenge groß ist, wird der Datensatz nicht direkt bereitgestellt; er muss über den GitHub-Quellcode basierend auf Ecole generiert werden.

Zitation

@article{li2024towards,
  author    = {Li, Sirui and Kulkarni, Janardhan and Wu, Cathy and Menache, Ishai and Li, Beibin},
  title     = {Towards Foundation Models for Mixed Integer Linear Programming},
  booktitle = {The Thirteenth International Conference on Learning Representations},
  year      = {2025}
}