Unsatisfiable Cores and Lower Bounding for Constraint Programming
National ICT Australia（澳大利亚国家信息与通信技术研究院）；University of Melbourne（墨尔本大学）
约束编程（CP）求解器通常通过反复寻找问题的解决方案来解决优化问题，同时对解决方案的成本设置越来越严格的界限。这种方法有些幼稚，特别是对于软约束优化问题，其中软约束大多得到满足。在SAT中解决软约束问题的不可满足核方法（例如MAXSAT）强制所有软约束最初都是硬约束。当求解失败时，它们返回一个不可满足的核心，作为一组不能同时保持的软约束。这些将恢复为软，求解将继续。由于惰性子句生成求解器也可以返回不可满足的核心，我们可以将这种方法应用于约束编程。我们适应原来的MAXSAT不可满足的核心求解方法，可用于约束编程和定义了一些扩展。实验结果表明，我们的方法是有益的CP优化基准涉及软约束，基数或偏好的广泛类。
2015-08-25 cs.AI cs.LO
Solving the Wastewater Treatment Plant Problem with SMT
University of Girona（赫罗纳大学）
在本文中，我们介绍了污水处理厂的问题，现实世界的调度问题，并比较几种工具的性能，我们表明，对于一个天真的建模，国家的最先进的SMT求解器优于其他工具，从数学规划约束规划。我们使用真实和随机生成的基准。从这个和类似的结果，我们要求开发编译器前端能够从约束程序设计语言转换到SMT-LIB标准语言的方便。
2016-09-17 cs.AI cs.LO
Unsatisfiable Cores for Constraint Programming
National ICT Australia（澳大利亚国家信息与通信技术研究院）；University of Melbourne（墨尔本大学）
约束编程（CP）求解器通常通过反复寻找问题的解决方案来解决优化问题，同时对解决方案的成本设置越来越严格的界限。这种方法有些幼稚，特别是对于软约束优化问题，其中软约束大多得到满足。在布尔可满足性中解决软约束问题的不可满足核方法（例如MAXSAT）强制所有软约束保持初始状态。当求解失败时，它们返回一个不可满足的核心，作为一组不能同时保持的软约束。使用该信息，问题被放松以允许违反某些软约束，并且求解继续。由于懒惰子句生成（LCG）求解器也可以返回不可满足的核心，我们可以将MAXSAT不可满足的核心方法应用于CP。我们实现了原来的MAXSAT不可满足的核心求解算法WPM1，MSU3在一个国家的最先进的LCG求解器，并表明存在的问题，受益于这种混合的方法。
2013-05-08 cs.AI cs.LO
Logic Programming Approaches for Representing and Solving Constraint Satisfaction Problems: A Comparison
许多基于逻辑编程的方法可以用来描述和解决组合搜索问题。一方面，存在约束逻辑编程，其计算解作为对包含约束满足问题的变量的查询的答案替换。另一方面，也有基于稳定模型语义的系统，溯因系统和一阶逻辑模型生成器，它们将解计算为某些理论的模型。本文从知识表示（程序的声明性如何）和性能（它们在解决典型问题时的表现如何）的角度比较了这些不同的方法。
2000-11-21 cs.AI
Solving Gossip Problems using Answer Set Programming: An Epistemic Planning Approach
Sabanci University（萨班哲大学）；Institut de Recherche en Informatique de Toulouse（图卢兹信息学研究所）；Université Paul Sabatier（保罗·萨巴蒂埃大学）
我们调查使用答案集编程来解决各种各样的八卦问题，通过将它们建模为认知规划问题。
2020-09-22 cs.AI cs.LO
Collab-Solver: Collaborative Solving Policy Learning for Mixed-Integer Linear Programming
Harbin Institute of Technology（哈尔滨工业大学）；Huawei Noah's Ark Lab（华为诺亚实验室）
Collab-Solver通过多智能体协同策略学习框架提升混合整数线性规划的求解效率和解质量。
2026-09-21 cs.AI
Solving classification problems using Traceless Genetic Programming
Babes-Bolyai University（巴贝什-博尧伊大学）
无痕遗传编程（TGP）是一种新的遗传编程（GP），可用于解决现实世界中的困难问题。TGP与其他GP技术的主要区别在于TGP不显式地存储演化的计算机程序。在本文中，TGP是用来解决现实世界的分类问题，PROBEN1。数值实验表明，TGP执行类似的，有时甚至比其他GP技术所考虑的测试问题。
2021-10-07 cs.AI cs.NE
Partially Observable Reference Policy Programming: Solving POMDPs Sans Numerical Optimisation
Australian National University（澳大利亚国立大学）
本文提出部分可观测参考策略规划求解器，通过深度采样未来历史并渐进更新策略，将性能损失界从采样误差最大值改进为平均值，并在大规模动态环境问题中显著超越现有在线基准。
2025-07-16 cs.AI
Solving Advanced Argumentation Problems with Answer Set Programming
Universität Leipzig（莱比锡大学）；TU Dresden（德累斯顿工业大学）；TU Wien（维也纳工业大学）
已经提出了用于抽象论证的强大的形式主义，其中包括抽象辩证框架（ADF），它允许对参数之间的关系进行简洁和灵活的规范，以及GRAPPA框架，它允许将论证场景表示为任意的边标记图。ADF和GRAPPA的复杂性位于NP之外，并且范围高达多项式层次结构的第三级。答案集编程（ASP）的组合复杂性完全匹配这个复杂性时，程序被限制到有界元谓词。在本文中，我们利用这一巧合，并提出了新的有效的翻译，从ADF和GRAPPA ASP。更具体地说，我们提供了五个主要的ADF语义的可接受的，完整的，首选的，接地，稳定的解释减少，以及这些减少需要适应GRAPPA的可接受的，完整的和首选的语义。逻辑程序设计理论与实践（TPLP）
2019-12-05 cs.AI
Analyzing Chat Protocols of Novice Programmers Solving Introductory Programming Tasks with ChatGPT
Nuremberg Tech（纽伦堡技术大学）；DIPF | Leibniz Institute for Research and Information in Education（莱布尼茨教育研究与信息研究所（DIPF））
本研究分析213名德国大学生与ChatGPT的2335条聊天协议，揭示入门编程学生与LLM交互的多样性，为调整教学实践提供依据。
2024-05-29 cs.AI
Mathematical Programming Strategies for Solving the Minimum Common String Partition Problem
University of the Basque Country UPV/EHU（巴斯克大学 UPV/EHU）；Universidad Santo Tomás（圣托马斯大学）
最小公共串划分问题是计算生物学中的一个NP-难组合优化问题。在这项工作中，我们提出了第一个整数线性规划模型来解决这个问题。此外，整数线性规划模型的基础上，我们开发了一个确定性的两阶段启发式算法，适用于较大的问题实例。结果表明，对于文献中的中小规模问题实例，用CPLEX求解所提出的整数线性规划模型，可以得到较好的最优解。此外，新的最知名的解决方案，从文献中获得所有考虑的问题实例。关于启发式，我们能够表明，它优于相关文献中的启发式竞争对手。
2014-05-22 cs.AI cs.DS
Logic Programming for Describing and Solving Planning Problems
一个逻辑编程范式，表示解决问题的稳定模型，最近已被提升为一个声明性的方法来解决各种组合和搜索问题，包括规划问题。在这种范式中，所有的程序规则被认为是约束和解决方案是稳定的模型的规则集。这与逻辑编程的标准范式有着相当大的不同。在本文中，我们重新溯因逻辑编程，并认为它允许一种编程风格，这是声明性的编程基于稳定的模型。然而，在溯因逻辑编程中，有两种规则。一方面是谓词定义（可能依赖于可溯物），它只不过是标准的逻辑程序（当包含否定时，具有非单调语义）;另一方面是约束可溯物模型的规则。在这个意义上，溯因逻辑编程是逻辑编程标准范式的平滑扩展，而不是彻底的背离。
2000-03-08 cs.AI cs.LO
Solving Distributed Constraint Optimization Problems Using Logic Programming
New Mexico State University（新墨西哥州立大学）
本文探讨了使用答案集编程（ASP）解决分布式约束优化问题（DCOPs）。本文的创新之处在于：（1）将DCOP表示为逻辑程序：（2）介绍了第一个基于逻辑程序设计的DCOP算法ASP-DPOP;（3）实验表明，ASP-DPOP比DPOP快两个数量级（它的命令式编程对应）以及解决一些问题，DPOP未能解决，由于内存限制;以及（4）它证明了ASP在目前被建模为DCOP的一系列多Agent问题中的适用性。逻辑程序设计理论与实践（TPLP）
2017-05-10 cs.AI cs.MA
Matrix Games, Linear Programming, and Linear Approximation
以下四类计算问题是等价的：解矩阵对策、解线性规划、最佳$l^{\infty}$线性逼近、最佳$l^1$线性逼近。
2006-09-12 cs.AI cs.GT
Solving even-parity problems using traceless genetic programming
Babeş-Bolyai University（巴比什-波雅依大学）
提出了一种遗传编程（GP）的变种--无痕遗传编程（TGP）. TGP是一种混合方法，它结合了构建个体的技术和表示个体的技术。TGP与其他GP技术的主要区别在于TGP不显式地存储演化的计算机程序。两个遗传算子与TGP结合使用：交叉和插入。TGP被应用于演化数字电路的偶校验问题。数值实验表明，TGP比标准GP的性能好几个数量级。
2021-10-04 cs.AI cs.NE
Stable Model Counting and Its Application in Probabilistic Logic Programming
National ICT Australia（澳大利亚国家信息与通信技术研究院）；The University of Melbourne（墨尔本大学）
模型计数是计算满足给定命题理论的模型的数量的问题。它最近被应用于解决概率逻辑编程中的推理任务，其目标是计算给定查询为真的概率，提供一组相互独立的随机变量，一个模型（逻辑程序）和一些证据。解决这一推理任务的核心是将逻辑程序转换为命题理论并使用模型计数器。在本文中，我们表明，对于一些问题，涉及归纳的定义，如在图中的可达性，翻译的逻辑程序SAT可以是昂贵的目的，解决推理任务。对于这样的问题，直接实现稳定的模型语义允许更有效的解决。我们提出了两种实现技术，基于无根据集检测，扩展一个命题模型计数器的稳定模型计数器。我们的实验表明，对于特定的问题，我们的方法可以优于一个国家的最先进的概率逻辑编程求解器的几个数量级的运行时间和空间的要求，并可以解决显着更大的规模上，目前的求解器运行的时间或内存的实例。
2014-11-20 cs.AI
B$^3$RTDP: A Belief Branch and Bound Real-Time Dynamic Programming Approach to Solving POMDPs
MIT Media Lab（麻省理工学院媒体实验室）
部分可观测马尔可夫决策过程（POMDPs）为自主智能体提供了一个有前途的世界表示，因为它们可以模拟过渡和感知的不确定性。计算POMDP问题的最优解在计算上可能是昂贵的，因为它们需要在（可能是无限的）信念空间上进行推理。已经提出了几种方法来克服这个困难，如离散化的信念空间，基于点的信念抽样，和蒙特卡罗树搜索。RTDP-Bel算法的实时的【形】动态规划方法通过将价值函数存储在具有离散化置信键的哈希表中来近似该价值函数。我们提出了一个扩展的RTDP-Bel算法，我们称之为信念分支和界限RTDP（B $^3$ RTDP）。我们的算法使用有界价值函数表示，并利用这两个新的方式：搜索绑定技术的基础上的行动选择收敛概率，并利用早期的行动收敛称为\textit{Convergence Frontier}的方法。最后，我们的经验表明，B $^3$ RTDP可以实现更大的回报，在更短的时间比国家的最先进的SARSOP解决已知的POMDP问题。
2022-10-22 cs.AI
Solving stable matching problems using answer set programming
Ghent University（根特大学）；Cardiff University（卡迪夫大学）；UW Tacoma（华盛顿大学塔科马校区）；Vrije Universiteit Brussel（布鲁塞尔自由大学）
自从Gale和Shapley（1962）提出稳定婚姻问题（SMP）以来，已经研究了几个变体和扩展。虽然这种多样性有助于扩大应用潜力，但每个变体都需要一种新的算法来找到稳定的匹配。为了解决这个问题，我们提出了一个编码的SMP使用答案集编程（ASP），它可以直接适应和扩展，以适应特定应用程序的需求。使用ASP也意味着我们可以利用高效的现成的求解器。为了说明我们的方法的灵活性，我们展示了我们的ASP编码如何自然地允许我们选择最佳的稳定匹配，即根据一些用户指定的标准是最佳的匹配。据我们所知，我们的编码提供了第一个确切的实现，以找到性别平等，最小的遗憾，平等主义或最大基数稳定匹配SMP的情况下，个人可以指定不可接受的合作伙伴和偏好之间的联系是允许的。这篇论文是在逻辑程序设计理论与实践（TPLP）中考虑的。
2015-12-16 cs.AI
Logic and Constraint Logic Programming for Distributed Constraint Optimization
New Mexico State University（新墨西哥州立大学）
分布式约束优化问题（DCOPs）领域已经获得了发展势头，这要归功于其在捕获复杂问题（例如，多代理协调和资源分配问题），这些问题是自然分布的，并且不能以集中的方式现实地解决。解决DCOP的现有技术依赖于使用ad-hoc基础设施和ad-hoc约束求解过程。本文研究了一种完全基于逻辑编程技术的解决DCOPs的基础设施。特别是，本文探讨了使用一般的约束求解器（约束逻辑编程系统在这种情况下）来处理代理级约束求解。初步实验表明，逻辑编程在性能和可扩展性方面提供了优于最先进的DCOP系统的益处，为使用更先进的技术（例如，搜索策略和复杂约束）来求解DCOP。
2014-05-14 cs.AI cs.MA
Using Traceless Genetic Programming for Solving Multiobjective Optimization Problems
Babeş-Bolyai University（巴贝什-博雅依大学）
无痕遗传编程（Traceless Genetic Programming，TGP）是遗传编程（Genetic Programming，GP）的一种变体，用于关注程序的输出而不是程序本身的情况。TGP与其他GP技术的主要区别在于TGP不显式地存储演化的计算机程序。两个遗传算子与TGP结合使用：交叉和插入。在本文中，我们将集中在如何应用TGP解决多目标优化问题，这是非常罕见的GP。每个TGP个体存储表示搜索空间中的点的计算机程序（树）的输出。数值实验表明，TGP能够非常快速和非常好地解决所考虑的测试问题。
2021-10-07 cs.AI cs.NE
Prompt Programming: A Platform for Dialogue-based Computational Problem Solving with Generative AI Models
University of Auckland（奥克兰大学）
针对学生缺乏与生成式AI有效交互指导的问题，开发了支持多轮对话、多函数依赖和按需执行代码的提示词编程平台，研究发现该平台促进了学生的迭代优化与批判性思维。
2025-09-12 cs.AI cs.CY
Solving a Flowshop Scheduling Problem with Answer Set Programming: Exploiting the Problem to Reduce the Number of Combinations
Tecnológico Nacional de México - Tecnológico de Chihuahua（墨西哥国家技术学院——奇瓦瓦技术学院）
计划和调度一直是计算机科学研究的中心主题。特别是，简单的无等待流水车间调度问题的理论方法不允许感知问题的复杂性在第一眼。本文探讨了应答集程序设计语言在解决半导体制造系统中自动湿法刻蚀调度问题中的适用性。为了减少大量的组合，提出了一种基于范围的方法。
2019-09-19 cs.AI cs.LO
Solving Decision Theory Problems with Probabilistic Answer Set Programming
University of Ferrara（费拉拉大学）；TU Wien（维也纳技术大学）
本文提出通过决策原子和效用属性在Credal语义下用概率回答集编程编码决策理论问题，并设计基于三层代数模型计数的算法，实验证明其可在合理时间内处理非平凡实例。
2024-08-21 cs.AI cs.LO
diff-SAT -- A Software for Sampling and Probabilistic Reasoning for SAT and Answer Set Programming
National University of Ireland, Galway（爱尔兰国立高威大学）
本文介绍了diff-SAT，一个答案集和SAT求解器，它结合了经常使用概率条款，事实和规则的能力，解决和采样的最佳世界观（满足布尔变量分配或答案集的多集）受用户提供的概率约束。采样过程使用称为可微可满足性求解（$\partial\mathrm{SAT}$）或可微答案集编程（$\partial\mathrm{ASP}$）的基于梯度下降的优化方法来最小化用户定义的可微目标函数。用例是i.a.概率逻辑编程（以概率答案集编程的形式），概率布尔可满足性求解（PSAT）和模型多集（答案集或布尔解释）的分布感知采样。
2021-01-03 cs.AI cs.LO
Applying Gene Expression Programming for Solving One-Dimensional Bin-Packing Problems
本文主要研究和探索基因表达式编程（GEP）在解决装箱问题中的应用。其主要思想是展示如何GEP可以自动找到可接受的启发式规则，以解决问题的效率和经济。一维装箱问题被认为是在这项工作的过程中与约束最小化的箱子数量充满给定件。实验数据包括从Falkenauer（1996）一维装箱问题的基准测试数据的实例。结果表明，GEP可以用作一个非常强大且灵活的工具，用于寻找适合该问题的有趣的紧凑规则。函数的影响也进行了调查，以显示它们如何影响和影响率的成功时，他们出现在规则。与以前使用遗传编程进行的工作相比，获得了更小的群体大小和更少的世代的高成功率。
2020-01-13 cs.AI cs.NE
A Showdown of ChatGPT vs DeepSeek in Solving Programming Tasks
Centre for the Science of Learning & Technology (SLATE)（学习科学中心及技术（SLATE））；University of Bergen（卑尔根大学）
本文评估了ChatGPT和DeepSeek在解决编程任务中的性能，发现ChatGPT在中等难度任务中表现更优，而两者在困难任务上均面临挑战。
2025-03-16 cs.AI cs.SE
Solving puzzles described in English by automated translation to answer set programming and learning how to do that translation
Arizona State University（亚利桑那州立大学）
我们提出了一个系统，能够自动解决组合逻辑难题（简化）英语。它涉及到翻译成答案集编程（ASP）的难题的英文描述，并使用ASP求解器提供的难题的解决方案。为了翻译这些描述，我们使用了一种基于概率组合范畴语法（PCCG）的基于微积分的方法，其中单词的含义与参数相关联，以便能够区分同一单词的多种含义。许多单词的含义和参数都是学习的。在ASP中使用适用于大量逻辑谜题的本体来表示谜题。
2011-08-18 cs.AI cs.CL cs.LO
Gene Expression Programming: a New Adaptive Algorithm for Solving Problems
基因表达式编程，基因型/表型遗传算法（线性和分歧），在这里提出的第一次作为一种新的技术，用于创建计算机程序。基因表达式编程使用字符线性染色体组成的基因结构组织在一个头和一个尾巴。染色体作为基因组发挥功能，并通过突变、转座、根转座、基因转座、基因重组以及单点和两点重组进行修饰。染色体编码表达树，表达树是选择的对象。这些具有不同功能的独立实体（基因组和表达树）的创建允许算法以高效率执行，大大超过现有的自适应技术。这套问题的选择，以说明电源和通用性的基因表达式编程，包括符号回归，序列诱导与不创建常数，块堆叠，元胞自动机规则的密度分类问题，和两个问题的布尔概念学习：11多路复用器和GP规则问题。
2001-12-30 cs.AI cs.NE
Solving Multi-Model MDPs by Coordinate Ascent and Dynamic Programming
Department of Computer Science University of New Hampshire（计算机科学系 新罕布什尔大学）
本文针对NP难的多模型MDP问题，提出结合坐标上升与动态规划的CADP算法，通过迭代调整模型权重保证策略单调改进，理论证明不劣于WSU且在多个基准上显著胜出。
2024-07-08 cs.AI cs.LG
D-FLAT: Declarative Problem Solving Using Tree Decompositions and Answer-Set Programming
Institute of Information Systems（信息系统研究所）；Vienna University of Technology（维也纳工业大学）
在这项工作中，我们提出了一个工具，快速原型的动态规划算法的基础上树分解的集合编程（ASP）。事实上，已经设计了许多这样的算法，但只有少数几个找到了实现的方法。主要的障碍是缺乏易于使用的系统，（i）照顾建立一个树分解和（ii）提供一个接口的声明规范的动态规划算法。在本文中，我们提出了D-FLAT，一种新的工具，减轻了用户必须处理所有的技术细节与解析，树分解，处理的数据结构等，而不是，它只是动态规划算法本身必须指定在ASP语言。D-FLAT采用ASP求解器来计算动态规划算法中的局部解。文中列举了几个实例说明D-FLAT的使用，并介绍了该系统的主要特点。此外，我们报告的实验表明，基于ASP的D-FLAT编码的一些问题优于单片ASP编码的实例上的小树宽。
2012-10-06 cs.AI cs.LO
Synthesizing a Progression of Subtasks for Block-Based Visual Programming Tasks
Max Planck Institute for Software Systems（马克斯·普朗克软件系统研究所）；TU Wien（维也纳工业大学）
本文提出一种新颖的合成算法，将基于块的视觉编程任务分解为复杂度间隔合理的子任务递进序列，并通过Karel环境实验和Code.org用户研究验证其能提升AI智能体求解效能并辅助新手程序员。
2023-05-27 cs.AI cs.CY
Neural Program Search: Solving Programming Tasks from Description and Examples
NEAR（NEAR（公司））
我们提出了一个神经程序搜索，一个算法来生成程序从自然语言描述和少量的输入/输出的例子。该算法结合了深度学习和程序合成领域的方法，设计了丰富的领域特定语言（DSL），并在其上定义了Seq 2 Tree模型引导的高效搜索算法。为了评估该方法的质量，我们还提供了一个半合成的描述数据集，并提供了测试示例和相应的程序。我们表明，我们的算法显着优于序列到序列模型与注意力基线。
2018-02-12 cs.AI cs.CL cs.PL
DLV - A System for Declarative Problem Solving
DLV是一个高效的逻辑编程和非单调推理（LPNMR）系统，具有先进的知识表示机制和经典关系数据库系统的接口。它的核心语言是具有完整性约束的答案集语义（Answer Set Semantics）下的析取数据库（无函数析取逻辑编程），包括默认和强（或显式）否定以及查询。还支持算术运算和各种内置谓词。此外，DLV有几个前端，即勇敢和谨慎的推理，溯因诊断，基于一致性的诊断，SQL 3的一个子集，使用动作语言进行规划，以及使用继承进行逻辑编程。
2000-03-08 cs.AI cs.LO
GPU-based parallelism for ASP-solving
Università di Udine（乌迪内大学）；Università di Perugia（佩鲁贾大学）；Libera Università di Bolzano（波尔扎诺自由大学）
答案集编程（ASP）已成为逻辑编程和非单调推理领域的首选范式。由于有效的求解器的可用性，ASP已成功地应用于大量的应用领域。术语GPU计算表示旨在使现代并行图形处理单元（GPU）用于通用计算的最近编程范例。在本文中，我们描述了一种利用GPU并行性解决ASP问题的方法。基于GPU的求解器的设计提出了各种挑战，由于GPU的软件和硬件架构的特殊性和可满足性问题的内在性质。
2019-09-04 cs.AI cs.DC
Harnessing Incremental Answer Set Solving for Reasoning in Assumption-Based Argumentation
University of Helsinki（赫尔辛基大学）；Graz University of Technology（格拉茨工业大学）
基于假设的论证（ABA）是一种中心结构化的论证形式。如最近所示，答案集编程（ASP），使有效地解决NP难推理任务的ABA在实践中，特别是在普遍研究的逻辑编程片段的ABA。在这项工作中，我们利用最近的进展，在增量ASP解决开发有效的算法推理任务的逻辑编程片段ABA的多项式层次结构的第二个层次，包括怀疑推理下的首选语义以及优先推理，大概是很难。特别是，我们开发了非平凡的反例指导的抽象细化程序的基础上，增量ASP解决这些任务。我们还表明经验的程序是显着更有效的比以前提出的算法的任务。本文件正在考虑被TPLP接受。
2021-08-09 cs.AI cs.LO
Heuristics, Answer Set Programming and Markov Decision Process for Solving a Set of Spatial Puzzles
Centro Universitário FEI（FEI大学中心）；University of Corunna（科鲁尼亚大学）
由刚性物体、柔性弦和孔洞组成的空间谜题为人们对日常生活中常见的空间实体进行推理提供了有趣的领域。这项工作的目标是调查这类问题的自动化解决方案，采用一种算法，结合答案集编程（ASP）与马尔可夫决策过程（MDP），算法oASP（MDP），使用启发式算法加速学习过程。ASP被用来表示域作为一个MDP，而强化学习算法（Q学习）被用来找到最优策略。在这项工作中，数学是从放松版本的难题的解决方案。实验进行了确定性，非确定性和非平稳版本的难题。结果表明，所提出的方法可以加速学习过程中，呈现出优势相比，非启发式版本的oASP（MDP）和Q-Learning。
2019-02-16 cs.AI cs.LG
Solving Bayesian Network Structure Learning Problem with Integer Linear Programming
London School of Economics and Political Science（伦敦政治经济学院）
本文研究了贝叶斯网络结构学习问题的整数线性规划（ILP）形式.我们回顾了贝叶斯网络的定义和关键属性，并解释了用于衡量某些贝叶斯网络结构与数据集拟合程度的得分度量。我们概述了整数线性规划公式的基础上分解的得分指标。为了确保结构的无环性，我们添加了专门为贝叶斯网络开发的“簇约束”，除了一般适用于有向无环图的循环约束。由于如果我们完全指定这些约束，这些约束的数量将是指数级的，因此我们解释了将它们添加为切割平面的方法，而无需在初始模型中声明它们。此外，我们开发了一个启发式算法，找到一个可行的解决方案的基础上的思想汇节点上有向无环图。我们实现了ILP制定和切割平面作为一个\textsf{Python}包，并提出了不同的设置在参考数据集上的实验结果。
2020-07-06 cs.AI cs.LG stat.ML
Assessing Large Language Models for Automated Feedback Generation in Learning Programming Problem Solving
University of São Paulo（圣保罗大学）；Federal University of Alagoas（阿拉戈斯联邦大学）；Federal Institute of Alagoas（阿拉戈斯联邦学院）
本研究评估4种大语言模型在编程学生解答基准数据集上的反馈生成能力，发现63%反馈准确完整，37%存在各类错误，明确了其在编程教育中的潜力与局限。
2025-03-18 cs.AI cs.LG cs.SE
Data-driven Projection Generation for Efficiently Solving Heterogeneous Quadratic Programming Problems
Communication Science Laboratories, NTT, Inc.（NTT通信科学实验室）；The University of Osaka（大阪大学）；The University of Tokyo（东京大学）；RIKEN AIP（日本研究机构AIP）
我们提出了一个数据驱动的框架，有效地解决二次规划（QP）的问题，通过减少变量的数量在高维QP使用实例特定的投影。一个基于图神经网络的模型被设计成生成针对每个QP实例的投影，使我们能够产生高质量的解决方案，即使是以前看不见的问题。该模型在异构QP上进行训练，以最小化在投影解决方案上评估的预期目标值。这被公式化为一个双层优化问题;内部优化使用QP求解器在给定投影下求解QP，而外部优化更新模型参数。我们开发了一个有效的算法来解决这个双层优化问题，它计算参数梯度，而不通过求解器反向传播。我们提供了一个理论分析的泛化能力，解决问题的投影矩阵产生的神经网络。实验结果表明，我们的方法产生高质量的可行解，减少计算时间，优于现有的方法。
2025-10-30 cs.AI cs.LG math.OC
Combining Answer Set Programming and Domain Heuristics for Solving Hard Industrial Problems (Application Paper)
University of Calabria（卡拉布里亚大学）；Alpen-Adria-Universität Klagenfurt（阿尔卑斯-亚德里亚大学克拉根福分校）
答案集编程（ASP）是一种流行的逻辑编程范式，已被应用于解决各种复杂的问题。在ASP最具挑战性的实际应用中，有两个由西门子定义的工业问题：伙伴单元问题（PUP）和组合配置问题（CCP）。PUP和CCP的最困难的实例是最先进的ASP求解器无法达到的。实验表明，ASP求解器的性能可以显着提高嵌入特定领域的算法，但在现成的ASP实现这样的标准是不明显的一个适当的有效集成。本文研究了ASP与特定领域启发式算法的结合，目标是有效地解决PUP和CCP的现实问题实例。作为此活动的副产品，ASP求解器WASP扩展了一个接口，该接口可以轻松地在求解器中嵌入新的外部算法。评估结果表明，我们的领域启发式驱动的ASP求解器发现解决方案的所有现实世界的实例PUP和CCP曾经提供的西门子。本文件正在考虑被TPLP接受。
2016-08-02 cs.AI cs.LO cs.PL
Exploring the Robustness of Large Language Models for Solving Programming Problems
University of Aizu（会津大学）；Tohoku University（东北大学）；NTT Communication Science Laboratories（NTT通信科学实验室）
本文探究了CodeGen、Codex、InstructGPT和ChatGPT等大语言模型在解决编程问题时对问题描述表面修改的鲁棒性，发现早期模型对变量名等表面线索敏感，而SOTA模型鲁棒性更强，强调了精心格式化提示的重要性。
2023-06-26 cs.AI cs.CL cs.SE
Evaluating the Effectiveness of Large Language Models in Solving Simple Programming Tasks: A User-Centered Study
Pine View School
本研究通过15名高中生的受试者内实验，比较ChatGPT-4o的被动、主动和协作三种交互风格，发现协作式交互能显著提升简单编程任务完成时间、用户满意度与感知有用性，强调LLM设计应超越功能正确性，支持以用户为中心的交互体验。
2025-07-05 cs.AI cs.HC
Learning to Reformulate for Linear Programming
MIRA Lab, USTC（中国科学技术大学 MIRA 实验室）；Huawei Cloud Co.（华为云计算技术有限公司）
实践证明，线性规划（LP）能够描述现实生活中的许多最优化问题，借助OptVerse、Guidelines和CPLEX等相应的求解器可以得到最优解。在过去的几十年里，人们提出了一系列传统的运筹学算法，以在较少的求解时间内获得给定线性规划的最优解。最近，有一种趋势是使用机器学习（ML）技术来提高上述求解器的性能。然而，几乎没有以前的工作利用ML技术从前端提高求解器的性能，即，建模（或公式化）。在本文中，我们首次提出了一种基于强化学习的线性规划重构方法，以提高求解过程的性能。使用一个开源的求解器COIN-OR LP（CLP）作为环境，我们实现了所提出的方法在两个公共研究LP数据集和一个大规模的LP数据集收集从实际的生产计划方案。评价结果表明，与直接求解原始LP实例相比，该方法能有效地减少求解迭代次数（$25\%\downarrow$）和求解时间（$15\%\downarrow$）.
2022-01-17 cs.AI cs.LG math.OC
