A Multicore Tool for Constraint Solving
University of Bologna（博洛尼亚大学）；INRIA（法国国家信息与自动化研究所）
* 出现在IJCAI 2015会议录中 * 在约束编程（CP）中，投资组合求解器使用各种不同的求解器来解决给定的约束满足/优化问题。在本文中，我们将介绍Sunny-CP 2：第一个并行CP组合求解器，使其求解器在多核设置中的动态，合作和同时执行。它集成了最先进的求解器，还提供了一个可用和可配置的框架。实证结果非常有希望。Sunny-CP 2甚至可以胜过Oracle求解器的性能，Oracle求解器总是为给定问题选择组合的最佳求解器。
2015-04-30 cs.AI
Efficient Neural Combinatorial Optimization Solver for the Min-max Heterogeneous Capacitated Vehicle Routing Problem
本文提出ECHO求解器，通过双模态节点编码器捕捉局部拓扑关系，利用参数自由交叉注意力机制缓解短视决策，结合车辆置换不变性和节点对称性设计数据增强策略，提升异质容量车辆路径问题求解性能。
2026-03-15 cs.AI cs.LG
On Dedicated CDCL Strategies for PB Solvers
Univ. Artois（阿尔图瓦大学）；CNRS（法国国家科学研究中心）；Centre de Recherche en Informatique de Lens (CRIL)（朗斯计算机科学研究中心）；LIX, Laboratoire d’Informatique de l’X, Ecole Polytechnique（巴黎综合理工学院信息科学实验室（LIX））
目前的实现工作在本地PB约束的伪布尔（PB）求解器是基于CDCL架构，赋予高效的现代SAT求解器。特别是，这样的PB求解器不仅实现了（切割平面为基础的）冲突分析程序，但也补充战略的组件，是至关重要的效率的CDCL，即分支算法，学习约束删除和重新启动。然而，这些策略大多数被PB求解器重用，而不考虑它们处理的PB约束的特定形式。在本文中，我们提出并评估了不同的方式来适应CDCL策略，以考虑到PB约束的特殊性，同时保留他们在从句设置的行为。我们在两个不同的求解器中实现了这些策略，即Sat4j（我们考虑三种配置）和RoundingSat。我们的实验表明，这些专用的策略可以提高，有时显着，这些求解器的性能，无论是决策和优化问题。
2021-09-02 cs.AI
Relating Complexity-theoretic Parameters with SAT Solver Performance
University of Waterloo（滑铁卢大学）；University of Texas at Austin（德克萨斯大学奥斯汀分校）；Microsoft Research（微软研究院）；University of Toronto（多伦多大学）
多年来，复杂性理论家提出了许多结构参数来解释冲突驱动子句学习（CDCL）SAT求解器在各种大型工业布尔实例上的惊人效率。虽然这些参数中的一些已经进行了实证研究，但到目前为止，还没有一个统一的比较研究，其解释力的综合基准。我们通过对近7000个工业和精心制作的公式进行大规模的CDCL SAT求解器性能实证评估来纠正这种状况，这些公式针对几个结构参数，如后门，树宽，骨干和社区结构。我们的研究导致了几个结果。首先，我们表明，虽然这些参数与CDCL求解时间只有弱相关性，但它们的某些组合会产生更好的回归模型。其次，我们展示了一些参数如何可以作为一个“镜头”，以更好地了解不同的解决算法的效率。最后，我们提出了一个新的复杂性理论参数，我们称之为学习敏感的重启（LSR）后门，扩展了学习敏感（LS）后门的概念，将重启和讨论算法来计算它们。我们从数学上证明，对于某些类别的情况下，最小LSR后门是指数小于最小LS后门。
2017-06-26 cs.AI
Fast Set Bounds Propagation Using a BDD-SAT Hybrid
National ICT Australia（澳大利亚国家信息通信技术中心）；The University of Melbourne（墨尔本大学）；Cadence Design Systems（铿腾电子科技公司）
基于二叉决策图的集合边界传播是求解集合约束满足问题的一种有效方法.然而，现有的基于BDD的技术在搜索期间构造和操纵图的显著开销。我们提出了一个集约束求解器，它结合了BDD为基础的集边界传播与现代SAT求解器的学习能力。再加上一些改进的基本算法，这个求解器是非常有竞争力的现有的传播为基础的集合约束求解器。
2014-01-16 cs.AI
An Empirical Evaluation of Portfolios Approaches for solving CSPs
INRIA（法国国家信息与自动化研究所）；University of Bologna（博洛尼亚大学）
最近的研究领域，如SAT求解和非线性规划表明，一个任意有效的求解器的性能可以显着优于一个投资组合的可能较慢的平均求解器。我们报告的实证评估和比较的投资组合方法适用于约束满足问题（CSP）。我们比较了在现成的机器学习算法上开发的模型与SAT领域中使用的方法，并适用于CSP，考虑不同的投资组合规模，并使用解决问题的数量和解决问题所需的时间作为评估指标。结果表明，最好的SAT方法在CSP领域也具有最佳性能，并且比基于分类算法的简单模型更具竞争力。
2014-01-05 cs.AI cs.LG
Can $Q$-Learning with Graph Networks Learn a Generalizable Branching Heuristic for a SAT Solver?
University of Oxford（牛津大学）；NVIDIA（英伟达）
我们提出了图- $Q$ -SAT，一个分支启发式的布尔SAT求解器训练与基于值的强化学习（RL）使用图神经网络函数逼近。使用Graph- $Q$ -SAT的求解器是完整的SAT求解器，可以提供令人满意的赋值或不可满足性证明，这是许多SAT应用程序所需的。SAT求解器中常用的分支算法在预热期间会做出糟糕的决策，而Graph- $Q$ -SAT则经过训练，可以检查特定问题实例的结构，以便在搜索早期做出更好的决策。训练图- $Q$ -SAT是数据高效的，不需要精心的数据集准备或特征工程。我们训练Graph- $Q$ -SAT使用RL接口与MiniSat求解器，并表明Graph- $Q$ -SAT可以减少2- 3倍的迭代次数来解决SAT问题。此外，它推广到不可满足的SAT实例，以及与5倍以上的变量比它是trainedon. We的问题表明，对于较大的问题，减少迭代次数导致挂钟时间减少，最终目标时，设计算法。我们还显示出积极的zero-shot传输行为时，测试图- $Q$ -SAT的任务家庭不同的训练。虽然需要更多的工作来应用Graph- $Q$ -SAT来减少现代SAT求解设置中的挂钟时间，但这是一个令人信服的概念验证，表明配备图神经网络的RL可以学习SAT搜索的通用分支启发式。
2020-11-25 cs.AI cs.LG
An Enhanced Features Extractor for a Portfolio of Constraint Solvers
University of Bologna（博洛尼亚大学）；INRIA（法国国家信息与自动化研究所）
最近的研究表明，一个任意有效的求解器可以显着优于一个投资组合的可能较慢的平均求解器。求解器的选择通常是通过（非）监督学习技术，利用从问题规范提取的功能。在本文中，我们提出了一个有用的和灵活的框架，能够提取一个广泛的功能集的约束（满意度/优化）可能不同的建模语言定义的问题：MiniZinc，FlatZinc或XCSP。我们还报告了一些实证结果表明，使用这些功能可以获得的性能是有效的，具有竞争力的最先进的CSP投资组合技术。
2014-04-02 cs.AI cs.LG
Clause Vivification by Unit Propagation in CDCL SAT Solvers
Huazhong University of Science and Technology（华中科技大学）；University of Picardie Jules Verne（皮卡第儒勒·凡尔纳大学）；Artificial Intelligence Research Institute (IIIA), Spanish Scientific Research Council (CSIC)（西班牙高等科学研究委员会人工智能研究所（IIIA））
原始和学习的条款，在语句驱动的子句学习（CDCL）SAT求解器往往包含冗余的文字。这可能会对性能产生负面影响，因为冗余文字可能会降低布尔约束传播的有效性和后续学习子句的质量。为了克服这个缺点，我们提出了一个子句活化方法，通过应用单位传播消除冗余的文字。在SAT求解器触发一些选定的重新启动之前，激活所提出的子句活化，并且仅影响原始子句和学习子句的子集，根据文字块距离（LBD）等度量，这些子句被认为是更相关的。此外，我们进行了实证调查的实例来自最近的SAT比赛的硬组合和应用类别。结果表明，显着数量的额外的情况下，解决了所提出的方法被纳入五个最好的表现CDCL SAT求解器（葡萄糖，TC_葡萄糖，COMiniSatPS，MapleCOMSPS和MapleCOMSPS_LRB）。更重要的是，实证研究包括对小句活化的有效性的深入分析。值得一提的是，这里描述的SAT求解器之一在2017年SAT竞赛的主赛道中排名第一，这要归功于引入了拟议的子句vivification。该求解器在本文中得到了进一步的改进，并在2018年SAT竞赛的主赛道上获得铜牌。
2018-07-29 cs.AI cs.LO
Anytime Behavior of Inexact TSP Solvers and Perspectives for Automated Algorithm Selection
The University of Adelaide（阿德莱德大学）；University of Münster（明斯特大学）
旅行商问题（TSP）可以说是最著名的NP难组合优化问题之一。两个复杂的启发式求解器LKH和EAX以及各自的（重新启动）变体设法计算接近最优甚至最优的解决方案，也适用于在合理的时间内具有数千个节点的大型实例。在这项工作中，我们扩展了现有的基准测试研究，解决任何时候的行为不精确TSP求解器的经验运行时分布的基础上，导致求解器的行为和各自的关系，以问题的硬度增加了解。事实证明，性能排名的求解器是高度依赖于集中的近似质量。对性能交叉点的洞察为根据实例特征构建混合求解器提供了巨大的潜力。此外，为随时性能和相应的性能指标定制的实例功能将通过包含有关求解器质量的全面信息来高度改进自动算法选择模型。
2020-05-27 cs.AI
Exploring Approximations for Floating-Point Arithmetic using UppSAT
Uppsala University（乌普萨拉大学）；Microsoft Research（微软研究院）
我们考虑的问题，解决从软件验证获得的浮点约束。我们提出了UppSAT -一个新的实现系统的近似细化框架[ZWR 17]作为一个抽象的SMT求解器。提供了一个近似和决策过程（在现成的SMT求解器中实现），UppSAT产生一个近似的SMT求解器。此外，UppSAT包括一个预定义的近似组件库，可以组合和扩展以定义新的编码，排序和求解策略。我们建议，UppSAT可以被用作一个沙箱，方便和灵活的探索新的近似。为了证实这一点，我们探讨了浮点运算的几种近似方法。近似可以被看作是一个编码到目标理论，精度排序，以及模型重建和精度（或近似）细化的一些策略的组合。我们将浮点运算的编码分为降精度浮点运算、实数运算和定点运算（按位向量理论编码）。在实验评估中，我们比较了通过结合各种编码和决策程序（基于现有的最先进的SMT解算器的浮点，实数和位向量运算）获得的近似解算器的优点和缺点。
2017-12-11 cs.AI cs.LO
Translating finite-domain integer constraint models to CP/SMT/ILP/PB/SAT solvers with CPMpy
KU Leuven（鲁汶大学）；Nonfiction Software；Flanders Make（弗兰德斯制造）；University of Western Macedonia（西马其顿大学）；UCLouvain（天主教鲁汶大学）
本研究提出基于CPMpy的模块化框架，将高级约束模型转换为CP、SMT等多种求解器形式，可跨求解技术对比，优化线性化对ILP/PB求解器关键。
2026-08-18 cs.AI
Uniform Solution Sampling Using a Constraint Solver As an Oracle
Cornell University（康奈尔大学）
我们考虑从组合空间上的一组硬约束定义的解中采样的问题。我们提出了一种新的采样技术，同时执行统一的探索的搜索空间，利用系统的约束求解器的推理能力在一个黑盒计划。我们提出了一系列具有挑战性的领域，如能量障碍和高度不对称的空间，揭示了硬约束带来的困难。我们证明，标准的方法，如模拟退火和吉布斯采样的影响很大，而我们的新技术可以克服许多这些困难。最后，我们表明，我们的抽样方案自然定义了一个新的近似模型计数技术，我们的经验表明，是非常准确的基准问题的范围。
2012-10-16 cs.AI
Dsat: A Native SAT Solver for Discrete Logic
Department of Computer Science, University of California, Los Angeles（加州大学洛杉矶分校计算机科学系）
本文提出一种用于离散逻辑的原生SAT求解器，通过扩展布尔逻辑，允许变量取任意值，并通过与CSP求解器、布尔SAT求解器等的比较验证其有效性。
2026-05-10 cs.AI cs.LO
DPLL(MAPF): an Integration of Multi-Agent Path Finding and SAT Solving Technologies
Czech Technical University in Prague（布拉格捷克理工大学）
在多智能体路径寻找（MAPF）中，任务是为多个智能体从其初始位置到给定的目标位置找到不冲突的路径。MAPF代表了一个经典的人工智能问题，经常解决的搜索。基于搜索的技术的一个重要替代方案是将MAPF编译为不同的形式主义，如布尔可满足性（SAT）。当代SAT为基础的方法，MAPF认为SAT求解器作为一个外部工具，其任务是返回一个布尔模型的输入MAPF的所有决策变量的分配。在这篇短文中，我们提出了一种新的编译方案，称为DPLL（MAPF），其中的一致性检查的部分分配的决策变量相对于MAPF规则是直接集成到SAT求解器。该方案允许更自动化的编译，其中SAT求解器和一致性检查过程同时一起工作以创建布尔模型并搜索其满意的分配。
2021-11-11 cs.AI cs.MA
Cache Performance Study of Portfolio-Based Parallel CDCL SAT Solvers
Universidad Católica de la Santísima Concepción（康塞普西翁天主教圣母大学）；Universidad de Concepción（康塞普西翁大学）
并行SAT求解器正在成为主流。他们的表现使他们连续两次赢得SAT比赛，并成为研究和工业界的焦点。问题是，我们并不确切地知道需要什么才能让他们表现得更好;也就是说，如何让他们在更短的时间内解决更多的问题。此外，也不知道它们在大规模多核环境中的扩展情况如何，可以预见的是，这是新硬件出现的情况。在本文中，我们表明，缓存争用是一个减缓可扩展性的罪魁祸首，并提供经验的结果，对于某些类型的搜索，物理共享线程之间的子句数据库是有益的。
2013-09-12 cs.AI cs.DC
Enhancing SAT solvers with glue variable predictions
Amazon Web Services（亚马逊云科技）；University of Pittsburgh（匹兹堡大学）
现代SAT求解器通常在一定规模下运行，这使得为每个分支决策查询神经网络变得不切实际。由Selsam和Bjorner提出的NeuroCore提供了一个概念验证，即神经网络仍然可以通过定期重新聚焦基于分数的分支启发式来加速SAT求解器。然而，这项工作受到了一些限制：他们修改后的求解器需要GPU加速，进一步的消融表明它们并不比SATCOMP 2018基准测试中的随机基线更好，并且他们的非sat核心训练目标需要昂贵的数据管道，只能标记相对容易的无法满足的问题。我们解决了所有这些限制，使用一个更简单的网络架构，允许CPU推理甚至具有数百万个子句的大型工业问题，并训练预测{ \em胶水变量}--一个更容易生成标记数据的目标，也可以制定为强化学习任务。我们通过修改最先进的SAT求解器CaDiCaL，通过监督学习提高其在SATCOMP 2018和SATRACE 2019上的性能，以及通过强化学习提高其在SHA-1原像攻击数据集上的性能，来证明我们方法的有效性。
2020-07-06 cs.AI cs.LG cs.LO
Improving Auto-Design of Neural PDE Solvers with a Domain-Specific Language
该研究提出ADSL-PDE领域特定语言，通过结构化搜索空间提升神经PDE求解器自动设计的搜索效率与优化稳定性，前十次迭代性能提升超52%。
2026-08-25 cs.AI
Factorized Machine Self-Confidence for Decision-Making Agents
University of Colorado Boulder（科罗拉多大学博尔德分校）
来自先进自治系统的安全保证有助于人类用户理解、信任和适当地使用这些系统。设计这些具有评估自身能力的系统是创建算法保证的一种方法。“机器自信”的概念是为自治系统引入的。使用一个基于分解的框架自信评估，自信的一个组成部分，称为“求解质量”，讨论了自治系统的马尔可夫决策过程的背景下。马尔可夫决策过程是强化学习理论的基础，通常用于机器人和自治系统中不确定性下的规划和决策。一个“求解器质量”的度量标准正式定义的背景下，基于马尔可夫决策过程的决策算法。求解质量评估的方法，然后推导出，从经验硬度模型的灵感。最后，在不同的求解器，参数和环境条件下的无人自主车辆导航问题的数值实验表明，自信度量表现出预期的属性。讨论的结果，并为今后的调查途径。
2019-01-09 cs.AI cs.CY cs.HC
IB-Net: Initial Branch Network for Variable Decision in Boolean Satisfiability
Hisilicon, Huawei（华为海思）
针对逻辑等价检验场景下SAT问题的特殊性及现有神经网络辅助方法的不足，提出结合图神经网络与新型图编码的IB-Net框架，可辅助先进求解器加速求解，在工业与竞赛数据集上均实现显著提速。
2024-03-06 cs.AI
Solver-Free Decision-Focused Learning for Linear Optimization Problems
Department of Computer Science, KU Leuven（计算机科学系，根特大学）
针对决策聚焦学习（DFL）求解线性优化问题时计算成本高的问题，提出无求解器训练方法，利用可行多面体几何结构以相邻顶点目标值比较为损失函数，在保持决策质量的同时显著降低计算成本。
2025-11-12 cs.AI cs.LG
Hindsight is Only 50/50: Unsuitability of MDP based Approximate POMDP Solvers for Multi-resolution Information Gathering
The Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所）；Carnegie Mellon University（卡内基梅隆大学）；The Robotics Institute（机器人研究所）
部分可观测马尔可夫决策过程（POMDPs）提供了一个优雅的框架，在不确定环境中的顺序决策建模。在线求解POMDPs是一个活跃的研究领域，并且考虑到现实世界问题的大小，使用近似求解器。最近，已经提出了一些方法来解决POMDP使用MDP求解器结合模仿学习。基于MDP的POMDP解算器在某些情况下工作良好，而在其他情况下则灾难性地失败。这种求解器的主要故障点是MDP求解器缺乏获取信息的动机，因为在他们的假设下，环境要么已经尽可能多地已知，要么在下一步之后不确定性就会消失。然而，为了解决POMDP问题，获取信息可以导致有效的解决方案。在本文中，我们推导出一组条件，MDP为基础的POMDP求解器是可证明的次优。然后，我们使用著名的老虎问题来证明这种次优。我们表明，多分辨率，预算信息收集不能使用基于MDP的POMDP求解器。本文的贡献有助于确定POMDP问题的属性，使用基于MDP的POMDP求解器是不合适的，从而可以更好地设计选择。
2018-04-07 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
From Semantic Decisions to Feasible Trajectories: Self-Evolving LLM-Guided Optimal Control for Narrow-Space Parking
xLean Robotics Co., Ltd.（xLean机器人有限公司）
提出SE-LLM-OCP框架，结合LLM高层机动决策与最优控制低层约束，通过在线重规划与离线知识库自进化，实现狭窄空间安全泊车并跨平台迁移。
2026-09-30 cs.AI cs.RO
CAST: Game Solvers as Turn-Level Teachers for LLM Agents
University of Science and Technology of China（中国科学技术大学）；Nanjing University（南京大学）；Wuhan University（武汉大学）；Meituan（美团）
研究如何训练大语言模型在长期游戏中决策，提出CAST方法，利用游戏求解器状态值变化转化为求解器优势并注入RLVR，在多个游戏中优于基线，实现高平均零样本性能。
2026-07-29 cs.AI cs.CL
Efficient Decision-Theoretic Planning: Techniques and Empirical Analysis
University of Wisconsin-Milwaukee（威斯康星大学密尔沃基分校）；Carnegie Mellon University（卡内基梅隆大学）
本文讨论了执行有效的决策理论规划的技术。我们给出了一个概述的DRIPS决策理论的细化规划系统，它使用抽象有效地确定最佳计划。我们提出了自动生成搜索控制信息，这可以显着提高规划的性能的技术。我们评估DRIPS的效率与搜索控制规则和没有一个复杂的医疗规划问题，并比较其性能的分支定界决策树算法。
2013-02-20 cs.AI
Exploring the Decision Forest: An Empirical Investigation of Occam's Razor in Decision Tree Induction
我们报告了一系列的实验中，所有的决策树一致的训练数据构建。运行这些实验是为了了解一致决策树集合的属性以及影响各个树的准确性的因素。特别地，我们研究了与一些训练数据一致的决策树的大小与树对测试数据的准确性之间的关系。实验在大规模并行Maspar计算机上进行。几个人工和两个现实世界的问题上的实验结果表明，对于许多问题的调查，较小的一致性决策树的平均准确性比稍大的树的平均准确性。
1994-03-01 cs.AI
A Dual Perspective on Decision-Focused Learning: Scalable Training via Dual-Guided Surrogates
Harvard University（哈佛大学）；University of California, Berkeley（加州大学伯克利分校）
本文提出双引导损失DGL，利用下游问题的对偶变量周期性地构建可微代理目标，在保持决策对齐的同时大幅减少组合优化器调用次数和训练时间，并在匹配、背包和最短路径等组合选择问题上验证了其有效性与可扩展性。
2025-11-07 cs.AI cs.LG
A Distributed Approach to LARS Stream Reasoning (System paper)
Technische Universität Wien（维也纳技术大学）
流推理系统是为从可能无限的动态数据流中做出复杂决策而设计的。流推理的现代方法通常使用独立的求解器执行计算，这些求解器随着数据流的新部分被推送而增量地更新其内部状态并返回结果。然而，随着输入数据的速率和决策问题的复杂性的增长，这种方法的性能迅速下降。这个问题在流处理领域已经被认识到，在流处理领域，系统变得分布式，以便分配云提供的大量计算资源。在本文中，我们提出了一种分布式的方法来流推理，可以有效地分裂计算不同的求解器之间的数据流通信的结果。此外，为了增加分布式系统的吞吐量，我们建议一个基于间隔的LARS语言的语义，这使得网络流量显着减少。执行的评估表明，分布式流推理显着优于现有的独立LARS求解器时，决策问题的复杂性和传入数据的速率正在增加。正在考虑接受逻辑程序设计的理论与实践。
2019-07-29 cs.AI
Stochastic Constraint Optimization using Propagation on Ordered Binary Decision Diagrams
Leiden University（莱顿大学）；École Polytechnique de Montréal（蒙特利尔高等理工学院）；Université catholique de Louvain（鲁汶天主教大学）
关系型人工智能中的许多问题都可以看作是随机约束优化问题。这些都是约束优化问题，涉及目标或约束的随机组件。基于最近提出的SC-ProbLog语言对SCOPs进行建模，我们提出了一种解决这些问题的新方法。早期的方法使用概率逻辑编程（PLP）技术来创建有序二进制决策图（OBDD），将其分解为更小的约束，以利用现有的约束编程（CP）求解器。我们认为，这种方法的缺点是，分解表示的OBDD不保证域的一致性在搜索过程中，因此限制了求解器的效率。对于单调分布的特定情况下，我们提出了一种替代方法，使用CP在SCOP中，一个新的传播的发展的基础上，我们表明，这种传播是线性的OBDD的大小，并有可能比分解方法更有效，因为它保持域的一致性。
2018-07-03 cs.AI
GOAL: Graph-based Objective-Aligned Diffusion Solvers for Dynamic Multi-Objective Optimization
Purdue University（普渡大学）
本文提出GOAL，一种基于图的扩散求解器，用于动态多目标优化问题，通过条件化扩散求解器实现可控决策生成，通过人类指定的目标进行条件化，引入异构图编码，允许信息根据约束的本体进行选择性传播，并在三个经典调度基准上实现了100%的解可行性和接近零的MAPE。
2026-05-18 cs.AI cs.LG cs.NE
Necessary and Sufficient Conditions for Optimal Decision Trees using Dynamic Programming
Delft University of Technology（代尔夫特理工大学）
本文探讨了动态规划优化决策树时目标可分离的充分必要条件，提出一个能优化任意可分离目标与约束组合的通用框架，在五个应用领域实验中大幅优于通用求解器的可扩展性。
2025-01-30 cs.AI cs.DS cs.LG
Fairness Perceptions of Algorithmic Decision-Making: A Systematic Review of the Empirical Literature
Heinrich Heine University Düsseldorf（海因里希·海涅杜塞尔多夫大学）
商业决策（ADM）越来越多地影响着人们的日常生活。鉴于这种自治系统可能对个人和社会群体造成严重伤害，人们对公平性产生了担忧。学者和政策制定者要求以人为本的方法，需要考虑到人们的公平观念时，设计和实施ADM。我们提供了一个全面的，系统的文献综述，综合现有的经验见解的算法公平性的看法，从39个实证研究跨越多个领域和科学学科。通过彻底的编码，我们系统化目前的实证文献沿四个维度：（a）算法预测，（b）人类预测，（c）比较效果（人类决策与算法决策），（d）ADM的后果。虽然我们发现很多异质性的理论概念和经验测量的算法公平性，见解几乎完全来自西方民主的背景。通过倡导更多的跨学科研究，采用社会在环框架，我们希望我们的工作将有助于更公平，更负责任的ADM。
2021-03-22 cs.AI cs.CY cs.HC
A New General Method to Generate Random Modal Formulae for Testing Decision Procedures
Bell Labs Research（贝尔实验室研究部）
最近出现的高度优化的模态决策程序突出了在这一领域的实证检验的关键作用。不幸的是，引入广泛的经验测试模态逻辑是最近，到目前为止，没有一个建议的测试生成器是非常令人满意的。为了应对这一事实，我们提出了一个新的随机生成方法，提供了比以前的方法产生的经验检验的好处。它修复并推广了最著名的方法之一，随机CNF_[]m测试，允许生成更广泛的问题，原则上覆盖整个输入空间。我们的新方法产生更合适的测试集，为当前一代的模态决策程序。我们通过大量的实证检验分析了新方法的特点。
2011-06-26 cs.AI
A Surprisingly Simple Continuous-Action POMDP Solver: Lazy Cross-Entropy Search Over Policy Trees
The University of Queensland（昆士兰大学）；Australian National University（澳大利亚国立大学）
针对连续动作 POMDP 在线规划难题，提出 LCEOPT，用惰性交叉熵搜索迭代优化有限时域策略树分布，最高节省两个数量级计算并在高维动作问题上优于现有方法。
2023-12-18 cs.AI
Cost-Sensitive Classification: Empirical Evaluation of a Hybrid Genetic Decision Tree Induction Algorithm
本文介绍了一种新的代价敏感分类算法ICET。ICET使用遗传算法来进化决策树归纳算法的偏差群体。遗传算法的适应度函数是当使用决策树时分类的平均成本，包括测试（特征、测量）的成本和分类错误的成本。ICET在这里与其他三种成本敏感的分类算法-EG 2，CS-ID 3和IDX -以及C4.5进行了比较，C4.5在不考虑成本的情况下进行分类。这五种算法在五个真实世界的医疗数据集上进行了经验评估。进行了三组实验。第一组检查了五种算法在五个数据集上的基线性能，并确定ICET的性能明显优于其竞争对手。第二组测试ICET在各种条件下的鲁棒性，并显示ICET保持其优势。第三组着眼于ICET在偏置空间中的搜索，并发现了一种改进搜索的方法。
1995-03-01 cs.AI
Better Understandings and Configurations in MaxSAT Local Search Solvers via Anytime Performance Analysis
本文通过任何时间性能分析，探讨了MaxSAT局部搜索求解器在不同问题实例和时间预算下的性能差异，展示了如何利用Empirical Cumulative Distribution Functions来评估求解器性能，并证明了使用任何时间性能作为成本函数可优化求解器参数配置。
2025-02-04 cs.AI
Online POMDP Planning with Anytime Deterministic Optimality Guarantees
Technion Autonomous Systems Program (TASP)（技术学院自主系统计划）；Stephen B. Klein Faculty of Aerospace Engineering（斯蒂芬·B·克莱因航空航天工程学院）；Faculty of Data and Decision Sciences（数据与决策科学学院）
本文为离散POMDP推导近似解与最优解间的确定性界限，提供可附加于现有算法的确定性保证，以极小开销提升决策性能。
2025-10-27 cs.AI cs.RO
Hybrid DCOP Solvers: Boosting Performance of Local Search Algorithms
TNO（荷兰应用科学研究组织）；Delft University of Technology（代尔夫特理工大学）
我们提出了一种新的方法，加快对称和非对称分布式约束优化问题（DCOP）求解器。其核心思想是基于贪婪的快速非迭代DCOP求解器初始化DCOP求解器。这与现有方法相反，在现有方法中，初始化总是使用随机值分配来实现。我们的经验表明，改变现有的DCOP求解器的启动条件，不仅减少了算法的收敛时间高达50%，而且还减少了通信开销，导致更好的解决方案的质量。我们表明，这种效果是由于变量分配的结构改进，这是由DCOP算法激活的传播模式引起的。/受试者（混合DCOP）
2020-09-04 cs.AI cs.DC cs.MA
An On-Line POMDP Solver for Continuous Observation Spaces
College of Engineering & Computer Science, The Australian National University（澳大利亚国立大学工程与计算机科学学院）
部分可观测规划是自主机器人的基本要求。解决这些规划问题的一个原则性方法是部分可观察马尔可夫决策过程（POMDP）。虽然求解POMDP在计算上是棘手的，但在过去的二十年中，在开发近似POMDP求解器方面已经取得了实质性的进展。然而，计算具有连续观测空间的问题的鲁棒解决方案仍然具有挑战性。大多数在线求解器依赖于离散化的观察空间或人为地限制在规划期间考虑的观察的数量来计算易处理的策略。在本文中，我们提出了一个新的在线POMDP求解器，称为懒惰的信念提取连续POMDP（LABECOP），它结合了蒙特卡洛树搜索和粒子滤波的方法来构建一个政策reprentation，它不需要离散化的观察空间，并避免限制在规划过程中考虑的观察数量。三个不同的问题，涉及连续观测空间的实验表明，LABECOP执行类似或优于国家的最先进的POMDP求解器。
2020-11-04 cs.AI cs.RO
Decision Maker based on Atomic Switches
National Institute for Materials Science（国立材料科学研究所）；Waseda University（早稻田大学）
我们提出了一个简单的模型，原子开关为基础的决策者（ASDM），并表明，只要其沉淀银原子的总体积是保守的，再加上适当的操作时，原子开关系统提供了一个复杂的“决策”能力，这是已知的是人类最重要的智力之一。我们考虑了多臂强盗问题（MAB）;尽可能准确和快速地从一组提供随机奖励的选项中找到最有利可图的选项的问题。这些决定是由沉淀的Ag原子的每个体积决定的，其以类似于拔河游戏中刚体的波动的方式移动。ASDM的“拔河（TOW）动力学”比传统的MAB求解器具有更高的效率。我们展示了分析计算，验证了ASDM动态产生如此高的性能的统计原因，尽管它的简单性。这些结果意味着，各种物理系统，其中一些守恒定律成立，可以用来实现有效的“决策目标。“高效的MAB求解器对于许多实际应用都很有用，因为MAB在需要高效试错的现实世界中抽象了各种决策问题。该计划将引入一种新的基于物理的模拟计算范式，其中包括基于自我检测和自我判断的“智能纳米设备”和“智能信息网络”。
2015-07-21 cond-mat.mtrl-sci cs.AI
Anytime Incremental $ρ$POMDP Planning in Continuous Spaces
Technion - Israel Institute of Technology（以色列理工学院）
本文提出随时求解器ρPOMCPOW，通过动态细化信念表示和增量计算依赖信念奖励，在连续空间ρPOMDP规划中显著提升效率与求解质量。
2025-02-04 cs.AI cs.LG cs.RO
A Complete Solver for Constraint Games
Université de Caen（卡昂大学）
博弈论研究多个目标相互冲突的代理人必须达成集体决策的情况。代理效用函数的一个紧凑的表示语言的问题是至关重要的，因为一个$n$的球员游戏的经典表示是由一个$n$维矩阵的指数大小为每个球员。在本文中，我们使用的约束博弈的框架中，CSP被用来代表效用。约束编程-包括全局约束-允许轻松地为许多有用的游戏提供紧凑而优雅的模型。约束博弈有两种形式：约束满足博弈和约束优化博弈，第一种使用满足来定义布尔效用。除了多矩阵游戏，它也可以模拟更复杂的游戏，其中硬约束禁止某些情况。在本文中，我们研究了完整的搜索技术，并表明，我们的求解器使用的紧凑表示的约束游戏是快于经典的游戏求解器Gambit的一到两个数量级。
2014-04-29 cs.AI cs.GT
$λ$-models: Effective Decision-Aware Reinforcement Learning with Latent Models
University of Toronto（多伦多大学）；Vector Institute（矢量研究院）
本文研究决策感知强化学习模型的关键组件，指出 MuZero 式潜变量模型的重要性及其损失在随机环境中的偏差，并给出不同场景下损失函数选择的实践建议。
2024-02-29 cs.AI cs.LG
ADDMC: Weighted Model Counting with Algebraic Decision Diagrams
Rice University（莱斯大学）
提出了一种计算合取范式中布尔公式的精确文字加权模型计数的算法。我们的算法采用动态规划和使用代数决策图作为主要的数据结构。我们在一个新的计数器ADDMC中实现了这种技术。我们经验性地评估了可以与ADDMC一起使用的各种药物学。然后，我们将ADDMC与最先进的精确加权模型计数器（Cachet，c2d，d4和miniC2D）在1914个标准模型计数基准上进行比较，并表明ADDMC显着提高了虚拟最佳求解器。
2020-06-02 cs.AI cs.DS cs.LO
An Efficient Learning-based Solver Comparable to Metaheuristics for the Capacitated Arc Routing Problem
Beijing University of Posts and Telecommunications（北京邮电大学）；University of Trento（特伦托大学）
针对现有神经网络方法求解容量约束弧路径问题性能不及元启发式算法的问题，本文提出含方向感知注意力模型、监督强化学习方案和路径优化的求解器，效率更优且决策质量首次比肩顶尖元启发式算法。
2024-03-11 cs.AI cs.LG math.OC
Towards a Science of Human-AI Decision Making: A Survey of Empirical Studies
University of Colorado Boulder（科罗拉多大学博尔德分校）；University of Chicago（芝加哥大学）；Microsoft Research（微软研究院）；Dataminr
随着人工智能系统表现出越来越强的预测性能，它们在许多领域的采用率都在增长。然而，在刑事司法和医疗保健等高风险领域，出于安全、道德和法律方面的考虑，完全自动化通常是不可取的，而完全手动的方法可能不准确且耗时。因此，研究界越来越有兴趣通过人工智能辅助来增强人类决策。除了为此目的开发人工智能技术外，人工智能决策的新兴领域必须采用经验方法，以形成对人类如何与人工智能互动和合作做出决策的基本理解。为了邀请并帮助构建理解和改善人类人工智能决策科学的研究工作，我们调查了最近关于这一主题的实证人类受试者研究文献。我们从三个重要方面总结了100多篇论文中的研究设计选择：（1）决策任务，（2）AI模型和AI辅助元素，以及（3）评估指标。对于每个方面，我们总结了当前的趋势，讨论了该领域当前实践中的差距，并为未来的研究提出了建议。我们的调查强调了开发通用框架的必要性，以解释人类人工智能决策的设计和研究空间，以便研究人员可以在研究设计中做出严格的选择，研究界可以在彼此的工作基础上建立并产生可推广的科学知识。我们还希望这项调查将成为人机交互和人工智能社区共同努力的桥梁，共同塑造人类-人工智能决策的经验科学和计算技术。
2021-12-21 cs.AI cs.CL cs.CY
Voronoi Progressive Widening: Efficient Online Solvers for Continuous State, Action, and Observation POMDPs
University of California, Berkeley（加州大学伯克利分校）；University of Colorado Boulder（科罗拉多大学博尔德分校）
本文介绍了Voronoi渐进加宽（VPW），Voronoi乐观优化（VOO）和行动渐进加宽部分可观测马尔可夫决策过程（POMDPs）的推广。树搜索算法可以使用VPW有效地处理连续或混合动作空间，有效地平衡局部和全局动作搜索。本文提出了两种基于VPW的算法，并从理论和仿真的角度进行了分析。Voronoi乐观加权稀疏采样（VOWSS）是一种理论工具，证明了基于VPW的在线求解器，它是第一个具有连续状态，动作和观测POMDPs全局收敛保证的算法。VOMCPOW是一种多功能和高效的算法，在几个仿真实验中始终优于最先进的POMDP算法。
2021-04-01 cs.AI cs.LG cs.RO
Incentive-Tuning: Understanding and Designing Incentives for Empirical Human-AI Decision-Making Studies
Delft University of Technology（代尔夫特理工大学）
本文提出激励调校框架，旨在帮助研究人员设计有效的激励方案以提升人类-人工智能决策研究的可靠性与可推广性。
2026-01-21 cs.AI cs.GT cs.HC
YUKTI: From Natural-Language Situations to Robust, Verifiable Decisions An Uncertainty-Typed Proposition IR, Assumption-Robust Pareto Frontiers, and a Regret Certificate
研究从自然语言情境生成稳健决策，核心方法是用类型命题图表示，经多求解器及分布帕累托交接耦合，并引入ARPF等。主要贡献是证明rho与决策遗憾关系，增加可追溯性，合成数据基础，通过多种验证方式展示方法有效性。
2026-07-14 cs.AI cs.GT cs.LG
