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

要約

最適化の問題は、製造、流通から医療に至るまでの分野に蔓延しています。
しかし、こうした問題のほとんどは、最先端のソルバーによって最適化されるのではなく、ヒューリスティックに手作業で解決されています。これは、これらの問題を定式化して解決するために必要な専門知識により、最適化ツールや手法の広範な導入が制限されているためです。
この文書では、自然言語記述から (混合整数) 線形計画問題を定式化して解決するように設計された大規模言語モデル (LLM) ベースのエージェントである OptiMUS を紹介します。
OptiMUS は、数学的モデルを開発し、ソルバー コードを作成およびデバッグし、生成されたソリューションを評価し、これらの評価に基づいてモデルとコードを改善できます。
OptiMUS はモジュール構造を利用して問題を処理するため、長いプロンプトを表示せずに長い説明や複雑なデータを含む問題を処理できます。
実験では、OptiMUS が、簡単なデータセットでは既存の最先端の手法よりも $20\%$ 以上、ハード データセット (長くて複雑な問題を特徴とするこの論文とともにリリースされた新しいデータセット NLP4LP を含む) では 20% 以上優れていることが実証されています。
$30\%$。

要約(オリジナル)

Optimization problems are pervasive in sectors from manufacturing and distribution to healthcare. However, most such problems are still solved heuristically by hand rather than optimally by state-of-the-art solvers because the expertise required to formulate and solve these problems limits the widespread adoption of optimization tools and techniques. This paper introduces OptiMUS, a Large Language Model (LLM)-based agent designed to formulate and solve (mixed integer) linear programming problems from their natural language descriptions. OptiMUS can develop mathematical models, write and debug solver code, evaluate the generated solutions, and improve its model and code based on these evaluations. OptiMUS utilizes a modular structure to process problems, allowing it to handle problems with long descriptions and complex data without long prompts. Experiments demonstrate that OptiMUS outperforms existing state-of-the-art methods on easy datasets by more than $20\%$ and on hard datasets (including a new dataset, NLP4LP, released with this paper that features long and complex problems) by more than $30\%$.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google