Проблема: разрозненные знания в MILP
Оптимизация железнодорожных расписаний (railway rescheduling) критически зависит от смешанного целочисленного линейного программирования (MILP). Однако знания в этой области фрагментированы: сотни научных статей используют несовместимые нотации, а существующие обзоры носят субъективный характер, классифицируя модели по словарю, а не по их внутренней структуре. Это делает невозможным автоматизированное переиспользование решений.
Решение: LP2Graph и каноническая грамматика
Авторы (Jörn Maurischat, Nikola Bešinović, Michael Färber) предлагают метод LP Mining с ядром LP2Graph. Система преобразует любую формулировку LP/MILP в типизированный граф переменных и уравнений, основанный на единой канонической модели. Процесс включает:
- Парсинг: Извлечение исходных данных в единую модель.
- Гомологизация: Приведение разнородных записей к общему знаменателю.
- Кластеризация: Построение таксономии «снизу вверх» (переменные → ограничения → цель → структура модели), а также кластеризация по домену и методу решения.
- Классификация: Использование самонастраивающегося классификатора, seeded правилами.
Валидация: проверка через пересборку и решатели
В отличие от гипотетических исследований, авторы валидируют свою репрезентацию эмпирически. Представители каждого кластера генерируются заново в виде независимых LaTeX-файлов и решаются тремя популярными оптимизаторами. Результат сравнивается с оптимумом,reported в оригинальных статьях.
| Компонент | Описание/Роль |
|---|---|
| LP2Graph | Ядро метода: преобразование формулировок в типизированный граф переменных и уравнений. |
| CBC, HiGHS, Gurobi | Используемые решатели для валидации точности восстановленных моделей. |
| raiLPminer | Линейка инструментов для автоматизированной разработки моделей, построенная на этой таксономии. |
| Таксономия | Объективная структура типов переменных, ограничений и моделей, извлеченная из данных. |
Значение для отрасли
Работа, представленная на IFORS 2026 в Вене, закладывает принципную основу для raiLPminer — системы автоматизированной разработки моделей. Переход от субъективных обзоров к воспроизводимой, машиночитаемой таксономии позволяет AI-системам не просто «читать» статьи, а понимать структурные паттерны оптимизационных задач, ускоряя создание новых решений для логистики и транспорта.
Источник: arXiv cs.AI ↗