Hardware Acceleration for Boolean Satisfiability Solver by Applying Belief Propagation Algorithm
University of Michigan（密歇根大学）
布尔可满足性（SAT）在计算机科学中有着广泛的应用领域，特别是在电子设计自动化中的应用。电路综合，优化和验证问题可以通过将原始问题转化为SAT问题来解决。然而，可满足性问题是NP完全问题，目前还没有有效的求解方法，因此需要一种有效的可满足性问题求解器来提高其性能。我们提出了一种硬件加速方法的SAT问题。通过对SAT问题和一类特殊的纠错码--低密度奇偶校验码（LDPC）的译码问题的研究，发现它们都是约束满足问题。置信传播算法已成功地应用于LDPC码的译码，并对相应的译码器硬件设计进行了广泛的研究。因此，我们提出了一种基于置信传播的算法来解决SAT问题。利用该算法，可满足性问题求解器可以通过硬件加速。通过软件仿真验证了算法的有效性，并对算法的性能改进进行了评估.我们的实验结果表明，时间复杂度不增加SAT问题的大小，所提出的方法可以实现至少30倍的速度比MiniSat。
2016-03-16 cs.AI cs.LO
Relaxed Survey Propagation for The Weighted Maximum Satisfiability Problem
DSO National Laboratories（DSO国家实验室）；National University of Singapore（新加坡国立大学）
调查传播（SP）算法已被证明是工作良好的随机3-SAT问题的相变附近的大型实例。结果表明，SP估计边际覆盖，代表集群的解决方案。SP-y算法将SP算法推广到了最大可满足性（Max-SAT）问题，但SP算法的覆盖解释并没有推广到SP-y算法。在本文中，我们制定了放松调查传播（RSP）算法，该算法扩展了SP算法以应用于加权Max-SAT问题。我们表明，RSP有一个解释，估计边缘覆盖违反了一组条款，最小的重量。这自然概括了SP的覆盖解释。从经验上讲，我们表明RSP优于SP-y和其他最先进的Max-SAT求解器的随机Max-SAT实例。RSP在随机加权Max-SAT实例上的性能也优于最先进的加权Max-SAT求解器。
2014-01-15 cs.AI
Lifted Unit Propagation for Effective Grounding
Simon Fraser University（西蒙弗雷泽大学）；Katholieke Universiteit Leuven（鲁汶大学）
公式$ϕ$在给定有限域上的基础是与该域上的$ϕ$等价的基础公式。非常有效的命题求解器使得基于接地的问题求解方法变得越来越重要，然而对于现实的问题域和实例，接地的大小通常是有问题的。地面中的关键技术（例如，SAT）求解器是单位传播，这通常会在搜索开始之前显著减少基础公式的大小。我们定义了一个“解除”版本的单位传播，可以进行接地之前，并描述集成所产生的技术接地算法。我们描述了一个自下而上的地滚球的方法的实施，其性能的实验研究。
2011-09-06 cs.AI cs.LO
Activity-Based Search for Black-Box Contraint-Programming Solvers
University of Connecticut（康涅狄格大学）；Brown University（布朗大学）
鲁棒搜索过程是黑盒约束规划求解器设计的核心组成部分。本文提出了基于活动的搜索，利用变量在传播过程中的活动来指导搜索的思想。基于活动的搜索进行了比较实验的影响为基础的搜索和WDEG的算法。在各种基准测试上的实验结果表明，基于活动的搜索比其他算法更健壮，并且可能会产生显着的性能改善。
2011-05-31 cs.AI cs.MS
Agentic MIP Research: Accelerated Constraint Handler Generation
Zuse Institute Berlin（柏林泽尼茨研究所）；Technische Universität Berlin（柏林技术大学）
本文提出一种基于代理的MIP研究框架，通过嵌入LLM代理生成、验证和评估SCIP求解器的插件，加速约束处理程序的开发。该框架在MIPLIB 2017基准上成功恢复了约束编程中的全局约束结构，并生成了可执行的约束检测器和仅传播的约束处理程序。
2026-05-09 cs.AI cs.CL
Perturbed Message Passing for Constraint Satisfaction Problems
University of Alberta（阿尔伯塔大学）
我们介绍了一种有效的消息传递方案解决约束满足问题（CSP），它使用随机扰动的信念传播（BP）和调查传播（SP）消息绕过抽取，直接产生一个单一的满意的分配。我们的第一个CSP求解器，称为扰动Blief传播，平滑地插值两个众所周知的推理过程;它开始于BP，结束于Gibbs采样器，它从一组解决方案中产生一个样本。此外，我们应用类似的扰动计划SP产生另一个CSP求解器，扰动调查传播。在随机和真实世界的CSP上的实验结果表明，扰动BP通常更成功，同时比标准BP引导抽取效率高数十到数百倍。扰动BP还可以与最先进的SP引导抽取相媲美，SP引导抽取具有计算复杂性，通常比我们的方法（变量域和约束的基数）更差。此外，我们的随机可满足性和着色问题的实验表明，扰动SP可以优于SP指导的抽取，使其成为最好的不完全随机CSP求解困难的制度。
2015-02-03 cs.AI cs.CC stat.ML
Solver-Aware Decompositions for Programming-by-Example: When Dividing Requires Knowing How to Conquer
该研究针对示例编程提出感知求解器分解框架，通过结合监督训练与冻结合成器的直接反馈优化分解器，突破GT分解的局限，在两个PBE领域提升了合成与任务准确性。
2026-11-03 cs.AI
Decompositions of All Different, Global Cardinality and Related Constraints
LIRMM（LIRMM实验室）；CNRS（法国国家科学研究中心）；NICTA（澳大利亚国家信息与通信技术研究院）；UNSW（新南威尔士大学）；EPM（蒙特利尔工程学院）
我们发现，一些常见的和重要的全局约束，如ALL-DIFFERENT和GCC可以分解成简单的算术约束，我们实现了边界或范围的一致性，在某些情况下，甚至更大的修剪。这些分解可以很容易地添加到新的求解器。它们还通过共享变量来提供对传播器状态的访问的其他约束。这种共享可以用于改善约束之间的传播。我们报告我们的分解在一个伪布尔求解器的实验。
2009-05-22 cs.AI
CP-MDP: A CANDECOMP-PARAFAC Decomposition Approach to Solve a Markov Decision Process Multidimensional Problem
Pontifical Catholic University of Rio Grande do Sul (PUCRS)（南里奥格兰德天主教大学）
马尔可夫决策过程（MDP）是随机环境中决策理论代理最优规划的基础模型。虽然许多研究都集中在解决MDP问题的表格形式或使用因子表示，没有集中在张量分解方法。使用张量代数求解MDP提供了利用基于张量的计算的进步来进一步提高求解器效率的前景。在本文中，我们开发了一个多维问题的MDP求解器，使用张量分解方法来压缩转换模型，优化值迭代和策略迭代算法。我们根据经验评估我们的方法对表格方法，并表明我们的方法可以计算更大的问题，使用更少的内存，开辟了新的可能性，基于张量的方法在随机规划
2021-02-27 cs.AI
Solving Epistemic Logic Programs using Generate-and-Test with Propagation
University of Nebraska Omaha（内布拉斯加大学奥马哈分校）；University of Vermont（佛蒙特大学）
本文提出认知逻辑程序的生成-测试求解器通用框架及正确性充分条件，设计带认知后承传播的生成器以指数级减候选、仅线性开销，实现的新求解器在基准上提速3.3倍、多解91%实例。
2024-12-13 cs.AI cs.LO
A Combination of Cutset Conditioning with Clique-Tree Propagation in the Pathfinder System
Stanford University（斯坦福大学）
割集条件化和二叉树传播是贝叶斯信念网络中两种常用的精确概率推理方法。割集条件是基于网络节点子集的分解，而割树传播依赖于节点的聚集。我们描述了一种手段，结合割集条件和团树传播的方法称为聚合后分解（AD）。我们讨论了AD方法在Pathfinder系统中的应用，Pathfinder系统是一个医学专家系统，可为血液病理学诊断提供帮助。
2013-03-27 cs.AI
DynASP2.5: Dynamic Programming on Tree Decompositions in Action
TU Wien（维也纳工业大学）
一个活跃的理论研究领域是有效的精确参数化算法。最近的求解竞赛，如PACE挑战赛表明，参数化算法社区的实际兴趣也越来越大。一个重要的研究问题是，专用的参数化精确算法是否具有一定的实际意义，甚至可以击败成熟的问题解决者。我们认为基于逻辑的声明式建模语言和问题解决框架答案集编程（ASP）。最先进的ASP求解器在很大程度上依赖于基于SAT的算法。ASP求解器（DynASP 2），这是基于一个经典的动态规划的树分解，最近已经出版。不幸的是，DynASP 2可以优于现代ASP解决方案的程序，小的树宽度，只有当感兴趣的问题是计数的解决方案的数量。在本文中，我们描述了我们的新的实现（DynASP 2.5），显示竞争行为，以国家的最先进的ASP求解器，即使只找到一个解决方案时，解决问题的斯坦纳树的问题，已建模在ASP的低树宽的图。我们的实现是基于一种新的方法，我们称之为多通动态规划（M-DPSINC）。
2017-06-28 cs.AI cs.CC cs.LO
a-Tucker: Input-Adaptive and Matricization-Free Tucker Decomposition for Dense Tensors on CPUs and GPUs
Institute of Software, Chinese Academy of Sciences（中国科学院软件研究所）；University of Chinese Academy of Sciences（中国科学院大学）；Peking University（北京大学）
Tucker分解是分析和压缩大规模张量数据最常用的模型之一。现有的Tucker分解算法通常依赖于单个求解器来计算因子矩阵和核张量，并且不够灵活以适应输入数据和硬件的变化。此外，为了利用高效的GEMM内核，大多数Tucker分解实现使用显式矩阵化，这可能会在数据转换和内存使用方面引入额外的成本。在本文中，我们提出了a-Tucker，一个新的框架，输入自适应和矩阵化的密集张量的Tucker分解。提出了一种模式灵活的Tucker分解算法，实现了因子矩阵和核张量的不同求解器的切换，并采用机器学习自适应求解器选择器自动应对输入数据和硬件的变化。为了进一步提高性能和提高内存效率，我们实现了a-Tucker在一个完全的矩阵化自由的方式，没有张量和矩阵之间的任何转换。对各种合成和真实世界张量的实验表明，a-Tucker在CPU和GPU上的性能都大大优于现有的作品。
2020-10-20 cs.AI cs.DC
Small Language Models Fine-tuned to Coordinate Larger Language Models improve Complex Reasoning
IIT Delhi（印度德里理工学院）；IIT Bombay（印度孟买理工学院）；DYSL-AI
本文提出DaSLaM框架，用微调的小型语言模型作为分解生成器，以策略梯度优化引导黑盒求解器逐步处理子问题，实现求解器无关的复杂推理，使较小模型性能媲美甚至超越GPT-4。
2024-02-27 cs.AI cs.CL
