在混合整数线性规划（MILP）的分支定界（B&B）过程中，分支决策和节点选择是紧密耦合的关键步骤。现有的学习方法大多将两者独立优化，忽略了它们的交互。Evo‑B&B 提出了一种基于大语言模型（LLM）的进化框架，能够在 SCIP 求解器的端到端反馈下，同时进化可执行的分支策略和节点选择策略。为提升搜索效率并避免对行为相似的策略进行冗余评估，系统引入了行为感知的多岛进化机制。该机制在固定的 B&B 决策状态集合 $D$ 上记录每个策略的分支行为 $b_i(d)$ 与节点选择行为 $n_i(d)$，并通过相似度
$$ S(p_i,pj)=\frac{1}{|D|}\sum{d\in D}\mathbf{1}[b_i(d)=b_j(d)\land n_i(d)=n_j(d)] $$
来衡量策略 $p_i$ 与 $p_j$ 的相似程度，以此在种群中保持多样性。实验在四个标准 MILP 基准上，覆盖不同规模的实例进行评估。结果表明，Evo‑B&B 在求解时间和节点数上均达到竞争水平，并且能够良好迁移到更大规模的实例。消融实验进一步验证了联合进化和行为感知多样性管理的有效性。
点评：该工作展示了 LLM 与进化算法的协同潜力，为 MILP 求解器的自适应策略设计提供了新思路。