基于学习优化的线性规划（LP）求解框架

本仓库实现了一个用于 线性规划（LP）问题生成、神经优化模型训练与测试 的完整实验框架。
整体设计以 YAML 配置驱动，便于复现实验与后续扩展。

---

仓库结构说明

---

1. LP 问题生成（data_generate/）

该目录包含用于生成训练与测试数据的 LP 问题生成器。

（1）随机稀疏 LP（Randomly Generated Sparse LP）

• 第一个问题类型
• 随机生成稀疏约束矩阵的线性规划问题
• 支持配置：
  • 变量维度与约束维度
  • 矩阵稀疏度
  • 变量上下界
  • 随机种子
• 目前所有训练与测试实验主要基于该问题类型

状态：已实现并已使用

---

（2）运输问题（Transportation Problem）

• 论文中的第二类问题
• 经典运输问题建模形式：
  • 供给约束
  • 需求约束
  • 流量守恒
• 目前代码可以生成对应 LP 实例

⚠️ 注意：
该问题生成器尚未经过系统测试与实验验证

状态：已实现，但尚未验证

---

2. 模型（models/）

该目录用于存放神经优化模型。

已实现模型

• 基于 PDHG 思想的神经网络模型（用于生成解或 warm-start）

未实现模型

• IPM-MPNN
  • 计划实现基于内点法（IPM）的消息传递神经网络
  • 目前尚未编写代码

---

3. 训练结果（model_runs/）

• 存放训练过程中保存的模型参数
• 目前主要包括：
  • 验证集上表现最优的模型（best model）
• 测试阶段直接从该目录加载模型

---

4. 训练日志（train_log/）

• 记录训练过程中的日志信息，例如：
  • loss 变化
  • 评估指标
  • 训练时间
• 用于分析模型训练过程与调参

---

5. 测试（test/）

• 测试脚本统一放在该目录
• 通常用于比较：
  • 直接使用传统 LP 求解器
  • 使用神经模型生成初始解（warm-start）后再求解
• 测试结果会输出到 result/ 目录

---

6. 测试结果（result/）

• 保存测试阶段生成的结果文件：
  • CSV 表格
  • 收敛曲线
  • 运行时间对比等
• 不包含模型或训练日志

---

7. 配置文件（configs/）

• 所有参数均通过 YAML 文件 进行管理，包括：
  • 问题生成参数
  • 模型结构参数
  • 训练参数
  • 测试参数
• 代码逻辑与参数配置完全分离，便于复现与实验对比