Search Combinators
Monash University（莫纳什大学）；Universiteit Gent（根特大学）；Katholieke Universiteit Leuven（鲁汶大学）；IBM Research（IBM研究院）；National ICT Australia (NICTA)（澳大利亚国家信息与通信技术研究院（NICTA））；University of Melbourne（墨尔本大学）
在约束求解器中进行模型搜索的能力对于解决组合问题来说是一项重要的资产。然而，现有的基础设施定义搜索引擎往往是不够的。要么建模能力极其有限，要么用户面对的是一种通用程序设计语言，其功能并不适合编写搜索引擎。因此，性能方面的重大改进可能仍未得到探索。本文介绍了搜索组合子，这是一种轻量级和独立于求解器的方法，它弥合了概念上简单的搜索建模语言（高级，功能性和自然组合）与高效实现（低级，命令式和高度非模块化）之间的差距。通过允许用户从一小组原语定义应用定制的搜索策略，搜索组合器有效地为用户提供了用于建模搜索的丰富的域特定语言（DSL）。值得注意的是，对于约束求解器的开发人员来说，这种DSL的实现成本很低。本文讨论了两个模块化的实现方法，并显示，通过实证评估，搜索组合子可以实现没有开销相比，一个本地的，直接实现约束求解器。
2012-03-06 cs.AI
Building a Truly Distributed Constraint Solver with JADE
The Robert Gordon University（罗伯特戈登大学）
现实生活中的问题，如调度会议之间的人在不同的位置可以建模为分布式约束满足问题（CSP）。然后可以使用约束满足算法找到合适的和满意的解决方案，该算法可以是穷举的（回溯）或其他的（局部搜索）。然而，在这一领域的大多数研究测试他们的算法模拟在一台PC上，一个单一的程序入口点。我们的工作的主要贡献是设计和实现了一个真正的分布式约束求解器的基础上，使用Java代理DEFERMEMENT框架（JADE）的本地搜索算法，使不同机器上的代理之间的通信。特别是，我们讨论了真正的分布式约束求解器，这可能不是关键时，在一台机器上模拟的设计和实现问题。评估结果表明，我们真正的分布式约束求解器的工作以及在所观察到的限制，当测试与各种分布式CSP。我们的应用程序也可以采用任何约束求解算法，只需很少的修改。
2015-09-03 cs.AI cs.DC
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
Scalable Parallel Numerical Constraint Solver Using Global Load Balancing
Tokyo Institute of Technology（东京工业大学）；The University of Tokyo（东京大学）；IBM Watson Research Center（IBM沃森研究中心）；University College Dublin（都柏林大学学院）
提出了一种求解数值约束满足问题的可扩展并行求解器。我们的并行化方案由同质的工人求解器，其中每一个运行在一个可用的核心，并通过全球负载均衡（GLB）的方法与他人进行通信。并行求解器是用X10实现的，X10提供了GLB的实现作为一个库。在实验中，几个NCSP从文献中解决，并获得高达516倍的加速比使用600个核心的TSUBAME2.5超级计算机。
2015-05-18 cs.AI cs.DC
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
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
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
Driving CDCL Search
Università della Calabria（卡拉布里亚大学）；Alpen-Adria-Universität Klagenfurt（克拉根福阿尔卑斯-亚得里亚大学）
CDCL算法是最先进的SAT、SMT、ASP等求解器采用的领先解决方案。实验表明，嵌入特定领域的算法可以显着提高CDCL求解器的性能，特别是在大型现实世界的问题。然而，在现成的CDCL实现中适当地集成这样的标准并不明显。在本文中，我们提取的关键成分，驱动搜索的CDCL求解器，并提出了一个通用的框架，设计和实施新的算法。我们在ASP求解器中实现了我们的策略，并在两个工业领域进行了实验。在困难的问题实例中，最先进的实现无法在可接受的时间内找到任何解决方案，而我们的实现非常成功，可以找到所有解决方案。
2016-11-16 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
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
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
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
The CIFF Proof Procedure for Abductive Logic Programming with Constraints: Theory, Implementation and Experiments
Università di Pisa（比萨大学）；Imperial College London（帝国理工学院）；University of Amsterdam（阿姆斯特丹大学）
给出了带约束的溯因逻辑程序设计的CIFF证明过程，并证明了其正确性。CIFF是溯因逻辑编程的IFF证明过程的扩展，放松了对变量量化（允许条件）的原始限制，并结合了约束求解器来处理约束逻辑编程中的数值约束。最后，我们描述了CIFF系统，将其与最先进的溯因系统和答案集求解器进行比较，并展示了如何使用它来编程一些应用程序。(To《逻辑程序设计理论与实践》（Theory and Practice of Logic Programming，TPLP）
2009-06-05 cs.AI cs.LO
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
Design and Implementation of an Heuristic-Enhanced Branch-and-Bound Solver for MILP
Université de Montréal（蒙特利尔大学）；Polytechnique Montréal（蒙特利尔理工学院）
我们提出了一个求解器为MIP竞争2022年开发的混合编程（MIP）。鉴于10分钟的计算时间的竞争规则建立的约束，我们的方法侧重于找到一个可行的解决方案，并通过分支定界算法改进它。比赛的另一个规则允许使用多达8个线程。每个线程都被赋予一个不同的原始启发式算法，该算法已经通过超参数进行了调整，以找到一个可行的解决方案。在每一个线程中，一旦找到一个可行的解决方案，我们停止，我们使用分支定界方法，嵌入本地搜索算法，以改善现任的解决方案。我们实现的Diving启发式的三个变体设法为训练数据集的10个实例找到可行的解决方案。这些算法是我们实现的算法中性能最好的。我们的分支定界算法是有效的一小部分的训练数据集，它设法找到一个现任的可行的解决方案，我们不能解决的情况下，潜水算法。总的来说，我们的组合方法，当实现广泛的计算能力，可以解决19个问题的训练数据集的时间限制内。我们提交的MIP比赛被授予“优秀学生提交”荣誉奖。
2022-06-20 cs.AI cs.DC math.OC
