本文对DeepMind近期在神经网络求解混合整数规划（MIP）领域的论文进行了初步分析。与该领域其他相关研究相比，DeepMind在MIP求解的某些环节，如分支定界和启发式算法方面，采用神经网络的尝试更加细致且高度工程化。同时，这项研究与开源求解器的结合程度显著提高，并取得了一定的进展，尽管尚未展现出突破性或颠覆性的思想。
Google的DeepMind团队最近发布了一篇关于神经网络解决MIP的论文，引起了国内外运筹优化社区的广泛讨论。
许多围观者对此表示：
有人认为，攻克运筹学（OR）只是时间问题。
一些实践者则开始询问代码的可用性：
“这个代码是开源的吗？我想在一些标准难题上进行测试。”
“我很期待看到代码。”
“测试这个会非常有趣。”
实际上，将机器学习与整数规划结合并不是一个新课题。那么，为什么Google的这篇论文引起如此大的关注呢？
毫无疑问，Google和DeepMind团队的知名度是最主要的因素。从围棋的AlphaGo到近期的蛋白质结构预测的AlphaFold2，DeepMind的每一次研究都备受瞩目，并在一些领域取得了突破性进展。
不过，这篇论文是否真的包含颠覆性的研究成果呢？
DeepMind并未回应关于开源代码的请求，因此想要了解他们的工作只能通过阅读论文。
杉数科技的COPT求解器开发团队对这篇论文进行了深入的学习和研究。
在此，我们分享团队的分析与讨论，以便进一步探讨机器学习与优化算法的结合。
混合整数线性规划（MIP）通常是指在满足线性约束条件Ax≤b和整数约束条件x∈Z的前提下，求解目标函数f(x) = c·x的最小值。
在这里，数组x代表决策变量，数组c是目标系数，矩阵A为线性约束矩阵，而Z是整数集合。
整数规划在现实世界中有着广泛的应用，涉及航空航天、能源电网、生产制造、交通物流、军事和通讯等领域，发挥着不可替代的基础建模与求解功能。
然而，整数规划问题极其复杂，属于NP难问题类，也是美国库兰所公布的七个千年大奖难题之一。至今尚未确定是否存在多项式时间的精确求解算法。
求解整数规划的主要算法组件包括：预求解、分支定界、启发式算法、割平面、冲突分析和线性规划求解器等模块。
鉴于DeepMind此次的论文主要涉及分支算法和启发式算法，我们将分别从这两个方向进行深入探讨。
