MILP-Evolve est un ensemble de données à grande échelle de classes de problèmes et d'instances de programmation linéaire en nombres entiers mixtes (MILP), généré par un cadre évolutif basé sur un grand modèle de langage (LLM), publié par Microsoft Research en 2025. Le document de recherche associé est « Towards Foundation Models for Mixed Integer Linear Programming », visant à promouvoir la recherche sur les modèles fondamentaux MILP capables de généraliser à travers les classes de problèmes.

Cet ensemble de données contient des représentations de code de classes MILP diversifiées générées par le cadre évolutif (divisées en Tab 1 et Tab 2, correspondant aux tableaux du document), ainsi que jusqu'à 1 000 instances MILP au format MPS générées sous chaque classe avec différentes graines. Les données prennent en charge diverses tâches d'apprentissage telles que la prédiction de l'écart d'intégralité, l'apprentissage de branchement et l'alignement des instances MILP avec des descriptions en langage naturel, fournissant des ressources de données riches pour la formation et l'évaluation de modèles dans les domaines concernés.

Composition de l'ensemble de données

• milp_code : Code des classes MILP, où tab 1 et tab 2 sous evolve/seed correspondent respectivement au Tableau 1 et au Tableau 2 du document.

• instances : Données d'instances MILP, au format MPS, avec jusqu'à 1 000 instances par classe. En raison de la grande quantité de données, certaines instances sont fournies sous forme compressée tab1_compressed et tab2_compressed, et doivent être décompressées avant utilisation.

• gap_data_example.tar.gz : Données d'exemple pour la tâche de prédiction de l'écart d'intégralité.

• language_data_example.tar.gz : Données d'exemple pour la tâche d'apprentissage comparatif langage-MILP.

• Learning to Branch : En raison de la grande quantité de données, l'ensemble de données n'est pas fourni directement ; il doit être généré à partir du code source GitHub basé sur Ecole.

Citation

@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}
}