在铁路调度的优化领域，混合整数线性规划（MILP）是关键工具，但该领域的建模知识分散在数百篇论文中，且使用不兼容的符号。我们提出了LP Mining与LP2Graph的方法，该方法将已发布的线性规划（LP）和MILP公式的结构挖掘成可复现的数据集和归类体系。核心组件LP2Graph通过单一标准模型的类型变量-方程图表示每个公式，确保一旦从源中提取到该模型，所有后续过程都是确定性的。
每个源被解析为此模型，经过同源化和自底向上的聚类（先对变量，然后是约束和目标，最后是整个模型结构），并按照应用领域和解决方案方法进行单独分类；最终分组通过规则引导的自更新分类器进行标记。我们验证这种表示而非假设：每个聚类的代表被独立生成为LaTeX并在CBC、HiGHS和Gurobi中重新求解，与源论文中报告的最优解进行对比。最终结果是一个客观、可重复的变量、约束和模型类型的分类体系，为我们的raiLPminer自动化铁路调度模型开发奠定了原则基础。
博主点评： LP2Graph的提出不仅解决了铁路调度领域建模知识的碎片化问题，还通过自动化手段提高了模型的可复现性，为后续的研究和应用提供了坚实基础。这一方法展示了优化领域的创新潜力，值得进一步探索与应用。