A Novel Multi-Step Finite-State Automaton for Arbitrarily Deterministic Tsetlin Machine Learning
Centre for Artificial Intelligence Research(人工智能研究中心);University of Agder(阿格德尔大学);Newcastle University(纽卡斯尔大学)
由于深度学习的高能耗和可扩展性挑战,迫切需要将研究重点转向处理能耗约束。Tsetlin Machines(TM)是最近的一种机器学习方法,与神经网络等相比,它已经证明了显著降低的能量使用,同时在几个基准上表现出具有竞争力的准确性。然而,TM在很大程度上依赖于能量昂贵的随机数生成随机引导一组Tsetlin自动机到TM博弈的纳什均衡。在本文中,我们提出了一种新的有限状态学习自动机,可以取代Tsetlin自动机在TM学习,增加确定性。新的自动机使用多步确定性状态跳跃来加强子模式。同时,抛硬币跳过每$d$次状态更新确保了随机化的多样化。因此,$d$参数允许精细地控制随机化程度。例如,在一个示例中,$d=1$使每次更新都是随机的,而$d=\infty$使自动机完全确定。我们的实证结果表明,总体而言,只有相当程度的决定性降低准确性。能量方面,随机数生成构成TM的切换能量消耗,对于具有高$d$值的较大数据集节省高达11 mW的功率。因此,我们可以使用新的$d$ -参数来权衡精度和能耗,以促进低能耗的机器学习。
2020-07-04 cs.AI cs.LG
Controller Synthesis for Golog Programs over Finite Domains with Metric Temporal Constraints
RWTH Aachen University(亚琛工业大学)
在实际机器人上执行Golog程序通常需要额外的步骤来考虑机器人平台的硬件或软件细节,这些细节可以被公式化为对程序的约束。这些约束通常是时间性的,指的是度量时间,并且需要对抽象Golog程序进行修改。我们描述了如何制定这样的约束的基础上的模态变量的情况演算。这些约束连接抽象程序与平台模型,我们使用时间自动机描述。我们表明,在有限域和完全已知的初始状态的程序,合成的控制器,满足约束,同时保持原程序的效果的问题可以减少到MTL合成。我们这样做是通过构建一个时间自动机的抽象程序和合成MTL控制器从这个自动机,平台模型和约束。我们证明,合成的控制器的执行轨迹是相同的原始程序,可能交错与平台相关的行动,他们满足所有的约束条件,并且它们具有相同的效果作为原始程序的痕迹。通过这样做,我们得到一个可判定的过程来合成一个控制器,满足规格,同时保留原始程序。
2021-02-19 cs.AI cs.LO
ABS: Enforcing Constraint Satisfaction On Generated Sequences Via Automata-Guided Beam Search
University of Luxembourg(卢森堡大学);Imperial College London(伦敦帝国学院)
本文提出了一种与模型无关的推理时算法ABS,通过确定性有限自动机(DFA)引导受限束搜索,在无需重新训练的情况下保证生成序列满足形式化约束,并提升了输出质量。
2025-11-04 cs.AI cs.LG
LOGOS-CA: A Cellular Automaton Using Natural Language as State and Rule
Keishu Utimula(独立研究者)
LOGOS-CA利用自然语言作为细胞自动机的状态和规则,通过LLM实现更新,拓展了细胞自动机的模拟能力,用于森林火灾模拟和人工生命研究。
2026-02-11 cs.AI cs.FL cs.NE
Proceedings 6th International Workshop on Local Search Techniques in Constraint Satisfaction
自2004年以来,LSCS是约束编程(CP)原则和实践国际会议的卫星研讨会。它致力于局部搜索技术在约束满足,并集中在局部搜索技术的各个方面,包括:新算法的设计和实现,混合随机-系统搜索,反应式搜索优化,自适应搜索,局部搜索建模,全局约束,灵活性和鲁棒性,学习方法,和具体应用。
2009-10-08 cs.AI
Decomposition During Search for Propagation-Based Constraint Solvers
Albert-Ludwigs-University Freiburg(弗莱堡阿尔伯特-路德维希大学);Saarland University(萨尔大学)
我们描述了分解过程中的搜索(DDS),与/或树搜索到基于传播的约束求解器的集成。该搜索算法将约束满足问题的子问题动态分解为独立的部分问题,避免了冗余工作。本文讨论了DDS如何与使基于传播的求解器成功的关键功能相互作用:约束传播,特别是对于全局约束,以及动态搜索算法。我们已经实现了DDS的Gecode约束编程库。两个应用,解决方案计数在图着色和蛋白质结构预测,体现了DDS在实践中的好处。
2008-06-11 cs.AI
Counting-Based Search: Branching Heuristics for Constraint Satisfaction Problems
Dynadec Europe
设计一种跨问题域可靠的约束规划启发式搜索算法是近年来的一个重要研究课题。本文主要研究一类候选算法:基于计数的搜索。这样的算法试图做出分支决策,通过确定每个单独约束的解决方案与该决策一致的比例来保留大多数解决方案。而大多数通用搜索算法在约束编程依赖于本地信息的水平上的个别变量,我们的搜索算法是基于更多的全球信息的约束水平。我们设计了几个算法,用于计算特定家庭的约束的解决方案的数量,并提出了一些搜索算法利用这些信息。本文的实验部分考虑了八个问题域,从完善的基准难题到排班和运动调度。初步的实证分析确定启发式maxSD作为一个强大的候选人,我们的建议。然后,我们评估后者对最先进的,包括最新的通用搜索算法,重新启动,和基于差异的树遍历。实验结果表明,基于计数的搜索一般优于其他通用算法。
2014-01-18 cs.AI
Transforming Constraint Programs to Input for Local Search
University of Leuven(卢森堡大学)
本文通过建立约束优化问题的对称性属性与局部搜索邻域之间的联系,自动从约束规范中生成邻域,用于IDP系统中的元启发式算法,并在六个经典优化问题上评估了生成的邻域。
2026-05-19 cs.AI
Local-search techniques for propositional logic extended with cardinality constraints
我们研究了局部搜索可满足性求解器扩展的基数原子命题逻辑,也就是说,表达式,提供明确的方式来模型的基数集的约束。将基数原子添加到命题逻辑的语言中有助于对搜索问题进行建模,并且通常会导致简洁的编码。我们提出了两个“本地”本地搜索求解器的理论在扩展语言。我们还描述了技术,以减少问题的标准命题可满足性,并允许我们使用现成的SAT求解器。我们对这些方法进行了实验研究。我们的总体发现是,专门为扩展语言设计的本地求解器比依赖于SAT求解器的间接方法执行得更好。
2003-10-31 cs.AI
A Constraint-directed Local Search Approach to Nurse Rostering Problems
University of Nottingham(诺丁汉大学)
在本文中,我们调查的杂交约束规划和局部搜索技术在一个大的邻域搜索方案解决高度约束的护士排班问题。正如研究所确定的那样,大型邻域搜索的一个关键部分是选择片段(邻域,即变量集),以迭代方式放松和重新优化。大邻域搜索的成功取决于这个确定的邻域的充分性,关于有问题的部分的解决方案分配和邻域大小的选择。我们研究了三种策略来选择不同大小的片段内的大邻域搜索方案。前两种策略是针对问题的性质而定制的。第三种策略更一般,使用来自软约束违反及其传播的成本信息作为选择添加到片段中的变量的指标。三种策略进行了分析和比较后,一个基准护士排班问题。令人鼓舞的结果表明,在混合方法的未来工作的可能性。
2009-10-07 cs.AI
Adapting Stochastic Search For Real-time Dynamic Weighted Constraint Satisfaction
State University of New York Institute of Technology(纽约州立大学理工学院)
这项工作提出了两个新的算法进行约束满足。第一个算法,DMaxWalkSat,是一个约束求解器专门用于解决动态,加权约束满足问题。第二种算法RDMaxWalkSat是DMaxWalkSat的衍生物,其已被修改为随时算法,因此支持实时约束满足。DMaxWalkSat的解决方案的质量和运行时间方面的性能优势,其父约束求解器,MaxWalkSat。RDMaxWalkSat显示支持随时操作。这些算法的引入为计算机科学领域带来了另一种工具,该工具自然地将问题表示为约束满足问题,其示例是鲁棒一致性算法。
2015-07-22 cs.AI
Reinforcement Learning for Task Specifications with Action-Constraints
Indian Institute of Science(印度科学理工学院)
在本文中,我们使用离散事件系统的监督控制理论的概念,提出了一种方法来学习最优控制政策的有限状态马尔可夫决策过程(MDP),其中(只有)某些序列的行动被认为是不安全的(分别是安全的)。我们假设被认为是不安全和/或安全的动作序列的集合中给出的有限状态自动机,并提出了一个监督员,禁用一个子集的动作在每个状态的MDP,使动作序列的约束得到满足。然后,我们提出了一个版本的Q-学习算法学习最优策略的存在下,非马尔可夫行动序列和状态的约束,在那里我们使用的奖励机的发展来处理状态约束。我们说明了使用一个例子,捕获的实用程序的自动机为基础的方法,非马尔可夫状态和动作规范的强化学习,并显示在此设置的模拟结果的方法。
2022-01-02 cs.AI cs.LG cs.SY
Intelligent Search of Correlated Alarms for GSM Networks with Model-based Constraints
为了控制数据采掘的过程,集中于我们感兴趣的事物,各种约束被加入到数据采掘的算法中。然而,发现报警数据库中的相关报警需要深域约束。因为相关告警在很大程度上依赖于网络的逻辑和物理架构。因此,我们使用网络模型作为算法的约束,包括范围约束,内部相关约束和内部相关约束,在我们提出的算法称为SMC(搜索与模型为基础的约束)。实验结果表明,带内相关约束和互相关约束的SMC算法比不带约束的SMC算法的速度提高了2倍左右。
2002-04-29 cs.AI cs.NI
Automata for dynamic answer set solving: Preliminary report
University of Corunna(科鲁尼亚大学);Université d’Angers(昂热大学);University of Potsdam(波茨坦大学)
我们探讨了不同的方式来实现时间约束表示在扩展的答案集编程(ASP)的语言结构,从动态逻辑。最重要的是,我们研究如何自动机可以用来执行这样的约束。其思想是将一个动态约束转换成一个用逻辑程序表示的自动机,该自动机强制满足原始约束。这种方法的吸引力在于它与时间戳的独立性和检测不可满足性的潜力。一方面,我们阐述了一个转换的动态公式到交替自动机,依赖于元编程在ASP。这是第一次将具体化应用于外国佬的理论表达。另一方面,我们提出了两个转换的动力学公式到一元二阶公式。这些可以被现成的工具用来构造相应的自动机。我们对比这两种方法的经验之一的时间ASP求解器Telingo直接映射到逻辑程序的动态约束。由于这一初步研究仅限于完整性约束下的动态公式,其实现和(经验)结果也很容易适用于传统的线性动态逻辑。
2021-09-04 cs.AI cs.LO
Intelligent search strategies based on adaptive Constraint Handling Rules
自适应约束处理与约束处理规则(约束处理规则)的最先进的实现允许智能搜索策略的应用,以解决约束满足问题(CSP)。本报告比较了改进版本的冲突导向的backjumping和两个变种的动态回溯相对于时间回溯的一些AIM的情况下,这是一个基准集的随机3-SAT问题。因此,在Java中与这些不同的搜索策略相结合的布尔约束求解器的并行实现与在SICStus Prolog中与时间回溯相结合的相同布尔约束求解器的并行实现进行比较。这一比较表明,在搜索过程中增加“情报”可能会大大减少搜索步骤的数量。此外,它们的Java实现的运行时在大多数情况下比按时间顺序回溯的实现更快。更具体地说,冲突导向的反向跳转甚至比SICStus Prolog实现的时间回溯更快,尽管我们的Java实现缺少SICStus Prolog系统中的优化。逻辑程序设计理论与实践(Theory and Practice of Logic Programming,TPLP)
2004-11-18 cs.AI cs.PL
Breaking Symmetries in Graph Search with Canonizing Sets
Ben-Gurion University of the Negev(内盖夫本-古里安大学)
有许多复杂的组合问题涉及到寻找满足给定约束的无向图。这些问题往往是极具挑战性的,因为它们的解决方案的同构表示的大量。本文提出了一种有效的、紧凑的、完全对称破缺的小图搜索约束。枚举这些对称性破缺生成所有且仅生成非同构解。对于小的搜索问题,与多达$10$顶点,我们计算实例独立的对称破缺约束。对于较小的搜索问题,有大量的顶点,我们证明了计算的实例相关的约束是完整的。我们说明了应用完全对称破缺的限制,以延长两个已知的序列从OEIS相关的图枚举。我们还展示了我们的方法的推广在完全可互换矩阵搜索问题中的应用。
2016-02-04 cs.AI cs.DM
A Quantum Search Approach to Magic Square Constraint Problems with Classical Benchmarking
本文提出量子搜索方法解决魔术方阵约束问题,通过量子幅值放大提升效率,结合经典预处理与量子编码,对比经典暴力法验证理论优势。
2026-04-06 cs.AI quant-ph
Reinforcement Learning Based Temporal Logic Control with Soft Constraints Using Limit-deterministic Generalized Buchi Automata
Lehigh University(理海大学);The University of Iowa(爱荷华大学);University of Science and Technology of China(中国科学技术大学)
研究了不确定性条件下运动规划的控制综合问题。考虑机器人运动和环境属性的不确定性,提出了概率标记马尔可夫决策过程(PL-MDP)。一种无模型强化学习(RL)方法被开发来生成有限记忆控制策略,以满足线性时序逻辑(LTL)公式表示的高级任务。由于不确定性和潜在的冲突任务,这项工作的重点是不可行的LTL规范,放松LTL约束的开发,允许代理修改其运动计划,并考虑到部分满意的原始任务的侵犯。并提出了一种新的自动机,以提高接受奖励的密度,使确定性的政策。我们提出了一个具有严格分析的RL框架,该框架保证以降序实现多个目标:1)满足放松产品MDP的接受条件,2)降低长期行为的违规成本。我们提供模拟和实验结果来验证性能。
2023-01-30 cs.AI cs.FL cs.RO
Constraint-Enhanced Physical Search through Correlation Matching
SOBIN Institute LLC(SOBIN研究所)
本文提出约束增强物理搜索原理,通过将探索的时间相关性与约束诱导的空间相关性匹配,利用最小拉锯战赌博机模型(TOW)证明守恒律将局部观测转化为跨选项的差异证据,而时间相关驱动控制探索顺序,从而提升搜索效率。
2026-06-02 cond-mat.stat-mech cs.AI nlin.AO