MiniZinc
PulseAugur coverage of MiniZinc — every cluster mentioning MiniZinc across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
LLM生成图用于约束优化，性能超越Gurobi基线
研究人员开发了一种新颖的流程，该流程使用大型语言模型（LLM）为约束优化问题生成与问题无关的图。通过使用语义指南提示LLM，该系统创建了一个图生成器，将MiniZinc实例映射到统一加权图，将决策变量表示为节点，将约束表示为边。这种图表示指导用于变量选择的基于结构的局部改进框架（SLIM）。在20个MiniZinc竞赛问题上的评估显示性能显著提高，LLM引导的方法在平均问题加权胜率上比Gurobi基线提高了39.5%，是最佳单一配置的两倍多。
-
新的Text2Model助手可将自然语言翻译成形式化模型
研究人员推出了一套名为Text2Model的助手，旨在将自然语言翻译成用于优化和满意度问题的形式化模型。这项工作还提出了Text2Zinc，这是一个用于这些任务的新型数据集和交互式编辑器，旨在将满意度问题和优化问题统一在单一架构中。该方法不依赖于特定求解器，利用MiniZinc进行问题建模，并通过实验比较了零样本提示和代理方法等各种LLM策略，发现它们具有竞争力，但尚未实现完全自动化。
-
LLM 生成的求解器在组合问题上陷入“启发式陷阱”
研究人员开发了一个新的基准 CP-SynC-XL，包含 100 个组合问题，用于评估大型语言模型 (LLM) 如何合成可执行求解器。他们的发现表明，使用 LLM 为 OR-Tools 等现有求解器（在 Python 中）形式化问题，比在 MiniZinc 中进行声明式建模能获得更高的正确性。提示 LLM 同时优化搜索策略，仅带来了微小的速度提升，并且在许多问题上正确性显著下降，这归因于“启发式陷阱”，即 LLM 用近似值替换完整搜索或…
-
CP-SynC 系统采用多智能体方法进行零样本约束建模
研究人员开发了 CP-SynC，一个新颖的多智能体系统，旨在自动将自然语言问题描述转换为 MiniZinc 的可执行约束编程 (CP) 模型。该系统利用建模智能体生成和优化候选模型，而验证智能体则合成检查器以确保语义正确性。通过探索多种建模路径并聚合证据，CP-SynC 旨在克服单个 LLM 在处理细微语义错误方面的局限性，并在 100 个 CP 问题的基准测试中展现出卓越的性能。