Nominate-then-Adjudicate: LLM-Assisted One-Pass and Per-Instance MIP Solver Tuning
作者: Yifan Zhao, Qianyang Zhao, Xinyu Guan, Kai Wei, Yuming Deng
分类: cs.LG
发布日期: 2026-10-21
备注: 10 pages, 7 figures, 6 tables. Accepted as a short paper at IEEE BigData 2026
💡 一句话要点
提出Nominate-then-Adjudicate方法以优化混合整数规划求解器调优
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 混合整数规划 求解器调优 大数据优化 特征表示 机器学习 算法优化 模型选择
📋 核心要点
- 核心问题：现有混合整数规划求解器的参数设置因实例而异，逐实例搜索成本高，效率低下。
- 方法要点：提出提名-裁决管道，通过一次性采样固定组合，消除逐实例配置搜索，并使用固定特征表示映射不同实例。
- 实验或效果：在与基线比较中，完整裁决器记录538次胜利，胜率从84.9%提升至90.2%。
📝 摘要（中文）
混合整数规划求解器暴露出数百甚至数千个参数，其最佳设置因实例而异，但逐实例搜索代价高昂。本文将此问题框架化为异构大数据优化工作负载的配置，提出了一种基于两项设计选择的提名-裁决管道。首先，固定的组合在一次采样后可在多个实例中重用，消除了推理时的逐实例配置搜索。其次，固定的20特征表示可以将结构上不同的实例映射到相同的向量，防止仅基于特征的选择器区分它们。研究表明，该方法在多个比较中表现优异，显著提升了求解器的性能。
🔬 方法详解
问题定义：本文旨在解决混合整数规划求解器在不同实例中参数设置的高成本问题。现有方法在逐实例配置搜索上效率低下，导致实际应用中的延迟和资源浪费。
核心思路：提出的提名-裁决管道通过一次性采样固定组合，避免了推理时的逐实例配置搜索，同时使用固定的特征表示来处理结构上不同的实例，从而提高了选择的效率和准确性。
技术框架：整体架构包括两个主要阶段：首先是固定组合的采样，其次是基于特征表示的选择。该方法通过一次模型调用实现选择，无需在推理时调用求解器。
关键创新：最重要的创新在于通过固定组合的使用和特征映射的设计，显著减少了推理时的计算负担，同时保持了较高的选择准确性。这与现有方法的逐实例搜索形成鲜明对比。
关键设计：采用固定的20特征表示来映射不同的实例，确保了特征选择器的有效性。此外，模型在推理时不进行任务特定的权重更新，确保了高效的单次调用和零求解过程。
🖼️ 关键图片
📊 实验亮点
在与基线的比较中，完整裁决器在超过20%的实际差异阈值下记录了538次胜利和185次失利，其胜率对比默认方法从84.9%提升至90.2%。在匹配的一次性协议下，该方法超越了集群级方法和最佳逐实例基线ISAC+。
🎯 应用场景
该研究具有广泛的应用潜力，尤其在需要高效求解混合整数规划问题的领域，如物流优化、生产调度和资源分配等。通过减少求解器调优的时间和成本，该方法能够提升工业界和学术界在大规模优化问题上的解决能力，推动相关领域的发展。
📄 摘要（原文）
Mixed-integer programming solvers expose hundreds or even thousands of parameters whose best setting varies per instance, yet per-instance search is prohibitively expensive. We frame this as configuration for heterogeneous Big Data optimization workloads and propose a nominate-then-adjudicate pipeline built around two design choices. First, a fixed portfolio is sampled once and reused across instances, removing per-instance configuration search at inference; on the evaluated families, the resulting shortlist retains substantial oracle headroom, making selection within it the empirical focus. Second, the fixed 20-feature representation can map structurally different instances to the same vector, preventing a feature-only selector from distinguishing them even when they prefer different configurations. The foundation model receives no task-specific weight updates, and selection is one-pass: one model call and no solver calls at inference. The study represents structural Variety through distinct formulation families and decision Value through solver-performance outcomes; the one-call, zero-solve protocol specifies the decision interface and leaves end-to-end latency unmeasured. Among comparisons exceeding a 20% practical-difference threshold, the complete adjudicator records 538 wins and 185 losses against the top nominee, while its win rate against the default rises from 84.9% to 90.2%. Against per-instance configuration baselines under a matched one-pass protocol it leads the cluster-level methods and the best-performing evaluated per-instance baseline, ISAC+.