Dominion -- A constraint solver generator
Lars Kotthoff
本文提出了一种设计的系统，以产生专门针对特定问题模型的约束求解器。文中详细描述了设计过程，并给出了初步的实验结果，表明了该方法的可行性和有效性。
This paper proposes a design for a system to generate constraint solvers that are specialised for specific problem models. It describes the design in detail and gives preliminary experimental results showing the feasibility and effectiveness of the approach.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
继续探索
Once4All: Skeleton-Guided SMT Solver Fuzzing with LLM-Synthesized Generators
Once4All通过LLM合成生成器生成可重用的逻辑表达式，解决传统模糊测试中生成公式语法无效和计算开销大的问题，有效发现SMT求解器中的43个已确认bug。
Evaluating SAT and SMT Solvers on Large-Scale Sudoku Puzzles
本研究通过在自研生成的多难度25x25大规模数独谜题上测试，对比了Z3、CVC5等现代SMT求解器与经典SAT求解器的性能，证实SMT求解器表现更优，展现了其在大规模约束满足问题中的应用价值。
You-Only-Randomize-Once: Shaping Statistical Properties in Constraint-based PCG
本文提出 YORO 预滚动方法，通过为约束求解器设计决策变量排序，在基于约束的程序化内容生成中编码并控制输出统计特性，同时保持全局约束，并以求解器版 WFC 验证了其有效性。
DecoEvo: Score-Decoupled Co-Evolution of Solver and Rubric-Generator Skills in Text Space
研究文本空间优化中现有方法瓶颈，提出DecoEvo方法，通过解耦目标协同进化求解器与评分标准生成器技能，不依赖黄金评分标准，在多基准和大语言模型主干上表现优异，有显著相对增益。
Speeding up SAT solver by exploring CNF symmetries : Revisited
在过去的几年里，布尔可满足性求解器通过考虑对称性在性能和可扩展性方面取得了巨大的进步。已经表明，通过使用图对称性和生成对称性破缺谓词（SBP），有可能破缺合取范式（CNF）中的对称性。SBPs在不影响CNF公式的可满足性的情况下，将搜索空间缩减到空间的非对称区域。通过将公式表示为图，找到图对称性并使用某种对称性提取机制（Crawford等人）来创建对称性破缺谓词。在本文中，我们采取一个非平凡的CNF，并探讨其对称性。最后，我们生成SBPs并将其添加到CNF中，我们展示了它如何帮助修剪搜索树，以便SAT求解器花费较短的时间。在这里，我们提出了从头开始的搜索树的修剪过程，从CNF和它的图形表示。当我们通过一个重要的例子来探索整个机制时，它很容易理解。我们还提出了一种新的概念，即在CNF中产生对称性破缺谓词，而不是从Crawford条件导出。最后，我们提出了一个回溯SAT求解器与内置SBP发生器。
Compositional Diffusion-Based Continuous Constraint Solvers
本文提出Diffusion-CCSP，一种基于因子图与扩散模型能量组合的连续约束求解器，可泛化至新约束组合，并集成于任务与运动规划器以生成含离散与连续参数的长期规划。
Learning to Solve Travelling Salesman Problem with Hardness-adaptive Curriculum
已经提出了各种神经网络模型来解决组合优化问题，例如旅行商问题（TSP）。现有的基于学习的TSP方法采用简单的设置，即训练和测试数据是独立同分布的。然而，现有的文献未能解决TSP的情况下，训练和测试数据具有不同的分布。具体地说，我们发现不同的训练和测试分布将导致更困难的TSP实例，即，模型得到的解与最优解有较大差距。为了解决这个问题，在这项工作中，我们研究了基于学习的TSP方法时，训练和测试数据具有不同的分布使用自适应硬度，即，TSP实例对于求解器来说有多困难。这个问题是具有挑战性的，因为它是不平凡的（1）定量定义硬度测量;（2）在模型训练时有效地和连续地生成足够硬的TSP实例;（3）充分利用具有不同硬度水平的实例来学习更强大的TSP求解器。为了解决这些挑战，我们首先提出了一个原则性的硬度测量来量化TSP实例的硬度。然后，我们提出了一个硬度自适应生成器来生成不同硬度的实例。我们进一步提出了一个课程学习者充分利用这些实例训练TSP求解器。实验表明，我们的硬度自适应生成器可以生成的实例比现有的方法难十倍，我们提出的方法实现了显着的改进，最先进的模型在最优性差距。
Towards Improving Solution Dominance with Incomparability Conditions: A case-study using Generator Itemset Mining
发现有趣的模式是数据采掘中一项具有挑战性的任务。基于约束的挖掘是一种众所周知的方法，其中约束编程已被证明是一个非常适合和通用的框架。优势规划已被提出作为一个扩展，可以捕获更广泛的一类基于约束的挖掘问题，通过允许模式之间的关系进行比较。在本文中，除了指定一个优势关系，我们引入了指定一个不可比条件的能力。使用这两个概念，我们设计了一个通用的框架，可以做一个批量明智的搜索，避免检查不可比的解决方案。我们扩展了ESSENCE语言和底层建模管道来支持这一点。我们使用生成器项集挖掘问题作为测试用例，并给出了一个声明性规范。我们还提出了这个特定的问题类与CP求解器后端的初步实验结果表明，在搜索过程中使用的不可比性条件可以提高优势规划的效率，并减少了后处理过滤占主导地位的解决方案的需要。
Transition Systems for Model Generators - A Unifying Approach
命题逻辑的一个基本任务是计算命题公式的模型。为此任务开发的程序称为可满足性求解器。我们表明，过渡系统引入Nieuwenhuis，Oliveras和Tinelli模型和分析可满足性求解器可以适应求解器开发的其他两个命题形式主义：逻辑编程下的答案集语义，和逻辑PC（ID）。我们表明，在每种情况下，计算模型的任务可以被看作是“可满足性模答案集编程”，其目标是找到一个模型的理论，也是一个答案集的某个程序。我们开发的统一的角度来看，特别是，求解器CLASP和MINISATID是密切相关的，尽管正在开发不同的形式主义，一个答案集编程和后者的逻辑PC（ID）。
Breaking the Solver Bottleneck: Training Task Generators at the Learnable Frontier
提出PROPEL框架，通过训练轻量级激活探针作为求解率代理，在无需重复求解器评估的情况下优化任务生成器，使生成任务集中在可学习前沿，提升数学、代码和软件工程任务的有效性。
ACEvo: Adversarial Co-Evolution of Problem Distributions and Solvers for Combinatorial Optimization
该研究提出ACEvo框架，通过LLM迭代协同进化启发式求解器与问题生成器，在TSP等组合优化问题上生成更具挑战性的实例分布，所得求解器在分布偏移下性能优于静态训练基线。
Conditional Markov Chain Search for the Generalised Travelling Salesman Problem for Warehouse Order Picking
广义旅行商问题（GTSP）是一个众所周知的问题，在其他应用中，出现在仓库订单拣选中，其中每个库存分布在几个位置之间-这是大型现代仓库的典型方法。然而，文献中常用的实例具有完全不同的结构，并且方法是根据这些实例设计的。在本文中，我们给出了一个新的伪随机实例生成器，反映了仓库订单拣选和发布新的基准测试床。我们还使用条件马尔可夫链搜索框架来自动生成专门针对仓库订单拣选训练的新GTSP元算法。最后，我们报告的计算结果，我们的metaconistics，使求解器之间的进一步竞争。
Evolving test instances of the Hamiltonian completion problem
由于多种原因，预测和比较图实例上的算法性能具有挑战性。首先，通常没有标准的实例集来对性能进行基准测试。其次，使用现有的图形生成器会导致有限的难度范围，并且生成的图形通常不够多样化，无法得出合理的结论。这就是为什么最近的工作提出了一种新的方法，通过使用进化算法来生成一组不同的实例。然后，我们可以分析结果图，并获得关键的见解，哪些属性与算法性能最相关。我们还可以填充实例空间中观察到的空白，以生成具有以前未见过的特征组合的图。这种方法适用于实例空间的哈密顿完成问题，使用两种不同的求解器，即协和TSP求解器和多启动本地搜索算法。
Encoding Cryptographic Functions to SAT Using Transalg System
本文提出了构造离散函数命题编码的技术。它的目的是使用最先进的SAT求解器解决所考虑函数的求逆问题。我们以名为Transalg的软件系统的形式实现了这项技术，并使用它来构建SAT编码，以解决许多密码分析问题。通过将SAT求解器应用于这些编码，我们成功地反转了几个加密函数。特别是，我们使用了由Transalg产生的SAT编码来构建两块MD5冲突的族，其中前10个字节为零。此外，我们使用Transalg编码的广泛知名的A5/1密钥流生成器，解决了几十个密码分析实例中的分布式计算环境。在本文中，我们详细比较了Transalg与类似软件系统的功能。
SLAB: Time-Lag-Aware Deep Reinforcement Learning for Flexible Job-Shop Scheduling in PPVC Module Factories
研究 PPVC 模块工厂灵活作业车间调度问题，通过对先进深度强化学习求解器进行三个扩展，得到时间滞后感知的学习策略，该策略在基准实例上表现出色，是无求解器调度器中最强的，还能快速重新规划。
MathConstraint: Automated Generation of Verified Combinatorial Reasoning Instances for LLMs
MathConstraint是一个用于评估LLMs组合推理能力的严格适应性基准，通过结合约束满足问题和严格求解器验证，生成持续具有挑战性的实例，展示基准生成器对LLM推理能力进步的鲁棒性。
Learning to Pose Problems: Reasoning-Driven and Solver-Adaptive Data Synthesis
本文提出一种基于推理和求解器适应的数据合成方法，通过生成相关问题对并利用推理模型生成中间步骤，提升问题设计策略，实验表明在多个基准上实现了3.4%的平均提升。
Adversarial Reinforcement Learning for Procedural Content Generation
我们提出了一种新的方法ARLPCG：对抗性强化学习的程序内容生成，程序生成和测试以前看不见的环境与辅助输入作为控制变量。在新的环境中训练RL代理是一项非常困难的任务。一种流行的方法是程序化地生成不同的环境，以增加受过训练的代理的泛化能力。ARLPCG部署了一个对抗模型，其中包含一个PCG RL代理（称为Generator）和一个求解RL代理（称为Solver）。生成器根据求解器的性能接收奖励信号，这鼓励环境设计具有挑战性但并非不可能。为了进一步推动环境生成的多样性和控制，我们建议使用发电机的辅助输入。好处是双重的：首先，求解器通过生成器生成的挑战实现了更好的泛化。其次，经过训练的生成器可以用作新环境的创建者，这些环境与求解器一起可以被证明是可解的。我们创建了两种类型的3D环境来验证我们的模型，代表两种流行的游戏类型：第三人称平台游戏和赛车游戏。在这些情况下，我们表明，ARLPCG有一个显着更好的解决率，并在一定程度上的辅助输入，使水平创建可控。有关结果的视频汇编，请访问https://youtu.be/z7q2PtVsT0I。
EduSAT: A Pedagogical Tool for Theory and Applications of Boolean Satisfiability
针对 SAT/SMT 教学交互工具不足的问题，本文提出 EduSAT，集成 DPLL、ROBDD 及五类 NP 完全问题抽象，经评估全部求解器达到 100% 正确率。
Solving Epistemic Logic Programs using Generate-and-Test with Propagation
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。
INFUSER: Influence-Guided Self-Evolution Improves Reasoning
提出INFUSER框架，通过生成器与求解器的协同进化，利用影响力分数和DuGRPO优化，从文档池中自适应生成训练数据，显著提升模型推理性能。
Exact methods and lower bounds for the Oven Scheduling Problem
烤箱调度问题是电子元器件制造领域中出现的一种新的并行批量调度问题。工作需要安排到几个烤箱之一，如果它们有兼容的要求，可以在一个批次中同时处理。作业的调度必须考虑到烤箱的合格性和可用性、作业的发布日期、批次之间的设置时间以及烤箱容量等几个约束条件。运行烘箱是高度能量密集型的，因此除了按时完成作业之外，主要目标是最小化所有烘箱的累积批处理时间。这个目标将OSP与其他批处理问题区分开来，这些问题通常最小化与完工时间、拖期或延迟相关的目标。本文提出了用约束规划和整数线性规划来解决这一NP难调度问题，并给出了相应的模型。为了进行实验评估，我们引入了一个多参数随机实例生成器来提供一组不同的问题实例。使用国家的最先进的求解器，我们评估的质量和比较我们的CP和ILP模型的性能。我们表明，我们的模型可以找到可行的解决方案的实例的现实规模，其中许多是可证明的最佳或接近最佳的解决方案。最后，我们推导出理论上的解决方案成本的可行的解决方案的OSP，这些可以在几秒钟内计算。我们表明，这些下限是竞争力与国家的最先进的求解器。
Fast solver for J2-perturbed Lambert problem using deep neural network
本文提出了一种新的快速求解J2扰动Lambert问题的方法。该求解器由一个智能初始猜测发电机结合差分校正程序。智能初始猜测生成器是一个深度神经网络，它被训练来校正来自未扰动Lambert问题的解的初始速度向量。微分校正模块采用初始猜测，并使用前向射击过程来进一步更新初始速度并精确地满足终端条件。通过对8种样本形式的分析和比较，找出了用J2-扰动Lambert问题训练神经网络的最佳形式。这种新方法的准确性和性能将被证明在一个有代表性的测试案例：在木星系统中的多旋转J2扰动兰伯特问题的解决方案。我们将比较所提出的方法对一个经典的标准打靶法和同伦为基础的扰动兰伯特算法的性能。它将被证明，对于一个可比的精度水平，所提出的方法是显着快于其他两个。
Teaching LLMs to Generate Challenging MILP Instances via Solver Feedback
提出利用求解器反馈设计奖励，通过挑战者-求解器自博弈微调大语言模型，生成可行且高难度的MILP实例，显著提升求解器搜索节点和间隙。
Benchmark dataset and instance generator for Real-World Three-Dimensional Bin Packing Problems
本文提出面向真实世界三维装箱问题的基准数据集及Python生成器Q4RealBPP-DataGen，包含12个考虑尺寸、重量等多重现实约束的实例，为评估量子求解器性能提供基线。
Small Language Models Fine-tuned to Coordinate Larger Language Models improve Complex Reasoning
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。
IK Seed Generator for Dual-Arm Human-like Physicality Robot with Mobile Base
本文针对尺寸受限的类人机器人的逆运动学求解难题，提出一种基于缩放雅可比矩阵优良度和遗传算法的初始猜测生成方法，提升了数值IK求解器的可解性并成功应用于三个典型场景。
Large Language Models as Amortized Pareto-Front Generators for Constrained Bi-Objective Convex Optimization
本文提出DIPS框架，利用大语言模型生成约束双目标凸优化的帕累托前沿，通过紧凑离散化方案和三阶段课程优化，实现高效连续优化。
Bridging Large Language Models and Optimization: A Unified Framework for Text-attributed Combinatorial Optimization
本文提出统一框架LNCS，利用大语言模型编码问题实例并集成Transformer解生成器，通过无冲突多任务强化学习训练，端到端解决各类文本属性组合优化问题，取得最先进结果。
CAD-Assistant: Tool-Augmented VLLMs as Generic CAD Task Solvers
提出CAD-Assistant通用CAD智能体，以VLLM为规划器结合CAD专用工具，通过Python API在FreeCAD上迭代执行动作，评估命令影响并调整后续操作，在基准上优于基线和特定方法，展示通用求解潜力。
Accurate and Regret-aware Numerical Problem Solver for Tabular Question Answering
针对大语言模型处理表格问答中数值计算能力不足的问题，提出将LLMs作为规划器、Python解释器负责计算的TabLaP模型，还实现答案可信度量化方法，准确率较现有最优模型提升超5.7%和5.8%。
AutoSiMP: Autonomous Topology Optimization from Natural Language via LLM-Driven Problem Configuration and Adaptive Solver Control
本文提出AutoSiMP，一种将自然语言结构问题描述转化为有效二进制拓扑的自主流程。流程包含五个模块，包括基于LLM的配置器、边界条件生成器、SIMP求解器、结构评估器和闭环重试机制，展示了在自然语言描述到验证结构拓扑的完整闭环。
Arbitrarily Large Labelled Random Satisfiability Formulas for Machine Learning Training
本文利用概率方法构造可生成任意规模、难度可调且标签正确的随机SAT公式生成器，并提出基于求解器计算短前缀学习的分类器，在万变量公式上显著优于现有模型。
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈
发表机构由 AI 从论文文本抽取，如发现错误，欢迎反馈修正建议。