OptiMUS如何利用大语言模型自动求解复杂优化问题？（开源框架详解）

项目概述

This repository contains the official implementation for the OptiMUS research project, which bridges the gap between natural language descriptions and mathematical optimization modeling. It leverages Large Language Models (LLMs) to automatically formulate and solve Mixed-Integer Linear Programming (MILP) problems.

本仓库包含了 OptiMUS 研究项目的官方实现。该项目旨在弥合自然语言描述与数学优化建模之间的鸿沟，通过利用大语言模型（LLMs）自动构建并求解混合整数线性规划（MILP）问题。

The project has evolved through three major versions, each introducing significant architectural improvements to handle problems of increasing scale and complexity.

该项目已历经三个主要版本的迭代，每个版本都引入了重大的架构改进，以处理规模和复杂度日益增长的问题。

核心版本与论文

The repository implements the methodologies from three key research papers. You can access different versions using the corresponding branches in the codebase.

该仓库实现了三篇关键研究论文中的方法。您可以通过代码库中的相应分支访问不同版本。

V0.1: OptiMUS: Optimization Modeling Using mip Solvers and large language models. (V0.1：利用混合整数规划求解器与大语言模型进行优化建模)
V0.2: OptiMUS: Scalable Optimization Modeling with (MI) LP Solvers and Large Language Models. (V0.2：利用（混合整数）线性规划求解器与大语言模型进行可扩展的优化建模)
V0.3: OptiMUS-0.3: Using Large Language Models to Model and Solve Optimization Problems at Scale. (V0.3：利用大语言模型大规模建模与求解优化问题)

版本特性对比

The following table summarizes the key characteristics and suitable use cases for each version of OptiMUS.

下表总结了 OptiMUS 各版本的核心特性与适用场景。


版本	核心架构	关键特性	适用场景	对应论文
OptiMUS v1	顺序工作流	基础LLM调用，直接建模求解	中小型、复杂度较低的问题	arXiv:2310.06116
OptiMUS v2	基于智能体	引入智能体协作，提升复杂问题处理能力	大型、复杂的优化任务	arXiv:2402.10172
OptiMUS v3	智能体 + RAG	集成检索增强生成（RAG）与大规模优化技术	超大规模、需外部知识支持的复杂问题	arXiv:2407.19633

项目演示与资源

在线演示

A live demo of the OptiMUS system is available, allowing users to interact with the model directly through a web interface.

OptiMUS 系统提供了在线演示，用户可以通过网页界面直接与模型交互。

Live demo: https://optimus-solver.com/

在线演示: https://optimus-solver.com/

NLP4LP 数据集

The project utilizes the NLP4LP dataset for training and evaluation. This dataset is specifically designed for research at the intersection of Natural Language Processing and Linear Programming.

本项目使用 NLP4LP 数据集进行训练和评估。该数据集专为自然语言处理与线性规划交叉领域的研究而设计。

You can download the dataset from https://huggingface.co/datasets/udell-lab/NLP4LP. Please note that NLP4LP is intended and licensed for research use only. The dataset is CC BY NC 4.0 (allowing only non-commercial use) and models trained using the dataset should not be used outside of research purposes.

您可以从 https://huggingface.co/datasets/udell-lab/NLP4LP 下载该数据集。请注意，NLP4LP 数据集仅限用于研究目的。该数据集采用 CC BY NC 4.0 许可（仅允许非商业用途），使用该数据集训练的模型不应用于研究以外的目的。

代码仓库结构

The repository is organized into several key directories and Python modules that handle different aspects of the optimization modeling pipeline.

该仓库的组织结构包含多个关键目录和 Python 模块，分别处理优化建模流程的不同环节。


文件/目录名	类型	功能描述
`data/rag/`	目录	存放检索增强生成（RAG）相关的数据文件。
`rag/`	目录	RAG 功能实现的核心模块目录。
`main.py`	文件	项目的主入口脚本。
`Reflexion.py`	文件	实现自我反思（Reflexion）机制，用于改进模型输出。
`generate_code.py`	文件	负责调用 LLM 生成优化问题建模代码。
`execute_code.py`	文件	负责安全地执行生成的代码并与求解器交互。
`objective.py`, `constraint.py`, `variables.py`, `parameters.py`	文件	定义优化模型的核心组件类（目标函数、约束、变量、参数）。
`objective_model.py`, `constraint_model.py`	文件	目标函数与约束的模型类实现。
`target_code.py`	文件	可能包含目标代码生成或模板相关的逻辑。
`optimus_tools.py`, `utils.py`	文件	工具函数和辅助模块。
`README.md`, `LICENSE`	文件	项目说明文档和 MIT 许可证。

学术引用

If you use OptiMUS in your research, please cite the appropriate paper based on the version you utilized.

如果您在研究中使用了 OptiMUS，请根据您使用的版本引用相应的论文。

For OptiMUS v1:

@article{ahmaditeshnizi2023optimus,
  title={OptiMUS: Optimization Modeling Using mip Solvers and large language models},
  author={AhmadiTeshnizi, Ali and Gao, Wenzhi and Udell, Madeleine},
  journal={arXiv preprint arXiv:2310.06116},
  year={2023}
}

For OptiMUS v2:

@article{ahmaditeshnizi2024optimus,
  title={OptiMUS: Scalable Optimization Modeling with (MI) LP Solvers and Large Language Models},
  author={AhmadiTeshnizi, Ali and Gao, Wenzhi and Udell, Madeleine},
  journal={arXiv preprint arXiv:2402.10172},
  year={2024}
}

For OptiMUS v3:

@article{ahmaditeshnizi2024optimus,
  title={OptiMUS-0.3: Using Large Language Models to Model and Solve Optimization Problems at Scale},
  author={AhmadiTeshnizi, Ali and Gao, Wenzhi and Brunborg, Herman and Talaei, Shayan and Udell, Madeleine},
  journal={arXiv preprint arXiv:2407.19633},
  year={2024}
}

项目关注度

The project has garnered significant interest on GitHub since its inception, as shown by its star history.

该项目自发布以来在 GitHub 上获得了广泛关注，其星标历史图如下所示。

总结与展望

OptiMUS represents a pioneering effort to automate the translation of real-world problem descriptions into formal optimization models. By combining the linguistic understanding of LLMs with the precise solving power of MILP solvers, it lowers the barrier to entry for using optimization techniques. The evolution from a sequential pipeline to an agent-based system with RAG capabilities demonstrates a clear path toward handling increasingly complex and large-scale practical problems. This approach holds promise for making advanced optimization accessible to domain experts without deep mathematical modeling expertise.

OptiMUS 是将现实世界问题描述自动转化为形式化优化模型的开拓性尝试。通过结合大语言模型的语言理解能力与混合整数规划求解器的精确求解能力，它降低了使用优化技术的门槛。从顺序工作流演进到具备 RAG 能力的基于智能体的系统，这一发展清晰地展示了处理日益复杂和大规模实际问题的路径。该方法有望让不具备深厚数学建模专业知识的领域专家也能使用先进的优化技术。

常见问题（FAQ）

OptiMUS是什么，它主要解决什么问题？

OptiMUS是一个开源框架，通过结合大语言模型与数学优化求解器，能够直接从自然语言描述中自动构建并求解复杂的混合整数线性规划等优化问题。

OptiMUS的不同版本有什么区别？我应该选择哪个版本？

V1适合中小型简单问题；V2引入智能体协作，适合大型复杂任务；V3集成RAG技术，适合超大规模且需外部知识的问题。可根据问题规模与复杂度选择。

如何快速体验或使用OptiMUS？

可通过其在线演示网站直接交互体验，或访问GitHub代码仓库获取开源实现。项目使用NLP4LP数据集进行训练与评估，该数据集仅限研究用途。

AI Summary (BLUF)