OptiMUS: Scalable Optimization Modeling with (MI)LP Solvers and Large Language Models

优化问题在制造、分销和医疗等行业中普遍存在。然而，大多数这样的问题仍然是通过手工启发式方法解决的，而不是通过最先进的求解器进行最优化求解，因为需要专业知识来制定和解决这些问题，限制了优化工具和技术的广泛采用。本文介绍了OptiMUS，这是一个基于大型语言模型（LLM）的代理程序，旨在从自然语言描述中制定和解决（混合整数）线性规划问题。OptiMUS可以开发数学模型，编写和调试求解器代码，评估生成的解决方案，并根据这些评估改进其模型和代码。OptiMUS利用模块化结构处理问题，使其能够处理具有长描述和复杂数据的问题而无需长提示。实验表明，OptiMUS在易数据集上的表现比现有的最先进方法提高了20%以上，在难数据集上（包括本文发布的一个名为NLP4LP的新数据集，其中包含长而复杂的问题）提高了30%以上。

OptiMUS试图通过自然语言描述解决（混合整数）线性规划问题，以提高优化工具和技术的广泛采用率。这是一个新问题。

OptiMUS是一种基于大型语言模型（LLM）的代理，可以开发数学模型，编写和调试求解器代码，评估生成的解决方案，并根据这些评估改进其模型和代码。

OptiMUS采用模块化结构处理问题，可以处理具有长描述和复杂数据的问题，而无需长提示。实验表明，OptiMUS在易数据集上的性能比现有的最先进方法提高了20％以上，在难数据集上（包括本文发布的一个新数据集NLP4LP）上提高了30％以上。

最近的相关研究包括使用神经网络进行优化和使用自然语言处理技术进行数学建模。其中一些论文标题包括“使用神经网络求解组合优化问题”和“自然语言处理和机器学习在数学编程中的应用”。