Symmetry Breaking for Maximum Satisfiability
University of Southampton(南安普顿大学);Technical University of Lisbon(里斯本理工大学);INESC-ID(葡萄牙国家系统与计算机工程研究所)
对称性是许多组合问题所固有的,包括布尔可满足性(SAT)和约束规划(CP)。在SAT中,对称破缺谓词(SBP)的识别是一种众所周知的,通常有效的解决难题的技术。SAT中SBPs的识别近年来一直是显著改进的主题,从而产生了更紧凑的SBPs和更有效的算法。SBPs的识别也被应用到伪布尔(PB)约束,表明对称破缺也可以是PB约束的有效技术。本文进一步扩展了SBPs的应用,并表明SBPs可以识别和使用在最大可满足性(MaxSAT),以及在其最知名的变体,包括部分MaxSAT,加权MaxSAT和加权部分MaxSAT。与SAT和PB一样,MaxSAT和变体的对称性破缺谓词对于代表性数量的问题域是有效的,允许解决当前最先进的MaxSAT求解器无法解决的问题实例。
2008-04-03 cs.AI cs.LO
Incremental Cardinality Constraints for MaxSAT
University of Oxford(牛津大学);INESC-ID;Instituto Superior Técnico, Universidade de Lisboa(里斯本大学高等技术学院)
最大可满足性(MaxSAT)是布尔可满足性(SAT)问题的一个优化变体。一般来说,MaxSAT算法执行一系列SAT求解器调用,以达到广泛使用基数约束的最佳解决方案。这些算法中的许多算法本质上是非增量的,即在每次迭代中,公式被重建,并且没有知识从一个迭代重用到另一个迭代。在本文中,我们利用跨迭代获得的知识,使用新的计划,以增量的方式使用基数约束。我们将这些计划与几个MaxSAT算法。我们的实验结果表明,显着的性能提升,这些算法相比,他们的非增量同行。这些结果表明,增量基数约束可能是有益的其他约束求解域。
2014-08-20 cs.AI cs.LO
IGMaxHS -- An Incremental MaxSAT Solver with Support for XOR Clauses
Hamburg University of Technology (TUHH)(汉堡工业大学(TUHH))
本文提出IGMaxHS,一种支持XOR约束的增量MaxSAT求解器,通过高斯消元与接口扩展实现量子纠错所需的求解能力,并在模糊测试中表现最优,可解码量子颜色码。
2024-10-21 cs.AI
Integer Linear Programming Preprocessing for Maximum Satisfiability
Laboratoire MIS UR 4290 Université de Picardie Jules Verne(MIS实验室 帕莱尔大学)
本文提出将整数线性规划预处理技术整合到MaxSAT求解流程中,从而提升多个顶级MaxSAT求解器的性能,尤其在未加权赛道中表现突出。
2026-01-26 cs.AI
Fuzzy Maximum Satisfiability
Cairo University(开罗大学);Faculty of Science(理学院);Department of Mathematics(数学系)
在本文中,我们扩展的最大可满足性(MaxSAT)的问题,Eukasiewicz逻辑。一组公式Φ的最大SAT问题是找到满足最大公式数的Φ中变量的分配问题。提出了三种可能的解决方案(编码):(1)析取线性关系(DLRs),(2)混合线性规划(MILP)和(3)加权约束满足问题(WCSP)。像它的布尔对应,扩展的模糊MaxSAT将在优化问题中,涉及的最优性有许多应用。
2016-02-06 cs.AI cs.CC cs.LO
Reflections on "Incremental Cardinality Constraints for MaxSAT"
Carnegie Mellon University(卡内基梅隆大学);IIT Hyderabad(印度理工学院海得拉巴分校);INESC-ID;Instituto Superior Técnico, Universidade de Lisboa(里斯本大学高等技术学院)
为了庆祝约束编程(CP)原则与实践国际会议的第一个25年,编辑们邀请了每年引用最多的论文的作者为他们的论文写一篇评论。本报告描述了我们对CP 2014论文“MaxSAT的增量基数约束”及其对最大可满足性社区及其他方面的影响的思考。
2019-10-10 cs.AI cs.LO
Fault Tree Analysis: Identifying Maximum Probability Minimal Cut Sets with MaxSAT
Institute for Security Science and Technology, Imperial College London(伦敦帝国理工学院安全科学与技术研究所)
在本文中,我们提出了一种新的基于MaxSAT的技术来计算故障树的最大概率最小割集(MPMCSs)。我们将MPMCS问题建模为加权部分MaxSAT问题,并使用并行SAT求解架构解决该问题。使用我们的开源工具获得的结果表明,该方法是有效的和高效的。
2020-05-05 cs.AI cs.CR cs.DM
New Inference Rules for Max-SAT
Université de Picardie Jules Verne(皮卡第儒勒·凡尔纳大学);Artificial Intelligence Research Institute(人工智能研究所);Spanish National Research Council(西班牙国家研究委员会);Universitat de Lleida(莱里达大学)
与SAT求解器相比,精确Max-SAT求解器在证明树的每个节点上应用很少的推理。常用的SAT推理规则(如单位传播)会产生一个保留可满足性的简化公式,但不幸的是,解决简化公式的Max-SAT问题并不等同于解决原始公式。在本文中,我们定义了一些原始的推理规则,除了被有效地应用,转换的Max-SAT实例到等价的Max-SAT实例,更容易解决。规则的合理性,可以被看作是适应最大SAT的单位分辨率的改进,通过整数规划变换以一种新颖而简单的方式被证明。为了找出推理规则在实践中的强大功能,我们开发了一个新的Max-SAT求解器,称为MaxSatz,它包含了这些规则,并进行了实验研究。结果提供了经验证据,MaxSatz是非常有竞争力的,至少在随机Max-2SAT,随机Max-3SAT,Max-Cut和Graph 3着色实例上,以及在Max-SAT Evaluation 2006的基准测试中。
2011-10-31 cs.AI
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
MLIC: A MaxSAT-Based framework for learning interpretable classification rules
T.J. Watson IBM Research center(IBM托马斯·J·沃森研究中心);School of Computing, National University of Singapore(新加坡国立大学计算学院)
机器学习方法在工业、政府、医学和科学中的广泛采用重新激发了人们对可解释机器学习的兴趣:许多决策太重要了,不能委托给黑盒技术,如深度神经网络或内核SVM。历史上,学习可解释分类器的问题,包括分类规则或决策树,已经通过贪婪探试法来处理,因为基本上所有的精确优化公式都是NP难的。我们的主要贡献是一个基于MaxSAT的框架,称为MLIC,它允许原则性搜索可解释的分类规则表达命题逻辑。我们的方法受益于约束满足社区的革命性进步,以解决此类问题的大规模实例。在实验评估中,我们从实际场景中产生的基准集合,证明了它的有效性:我们表明,制定可以解决大型分类问题,数万或数十万的例子和数千个功能,并提供一个可调的平衡的准确性与可解释性。此外,我们表明,在许多问题的可解释性,可以获得在精度只有一个小的成本。本文的主要目的是表明,MaxSAT文献的最新进展,使其现实的大规模分类问题找到最佳(或非常高质量的接近最佳)的解决方案。本文的主要目标是激发可解释分类和CP社区的研究人员进一步提出更丰富的公式,并开发定制的解决方案,以适应可解释ML的问题。
2018-12-05 cs.AI cs.LO
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
Incomplete MaxSAT Approaches for Combinatorial Testing
University of Lleida(莱里达大学);Artificial Intelligence Research Institute (IIIA, CSIC)(人工智能研究所(西班牙国家研究委员会IIIa研究所))
我们提出了一个基于可满足性(SAT)的方法来构建具有最小长度约束的混合覆盖阵列,称为覆盖阵列数问题。这个问题是在组合测试中检测系统故障的核心。特别是,我们将展示如何应用最大可满足性(MaxSAT)技术,通过描述不同类别的完整和不完整的MaxSAT求解器的有效编码来分别计算最优和次优解。同样,我们展示了如何通过MaxSAT技术解决一个密切相关的问题,元组数问题,我们扩展到将约束。对于这个问题,我们还提供了一个新的基于MaxSAT的不完全算法。广泛的实验评估,我们进行了可用的混合覆盖阵列与约束基准和比较与国家的最先进的工具,证实了我们的方法的良好性能。
2021-05-26 cs.AI
Coprocessor - a Standalone SAT Preprocessor
Technische Universität Dresden(德累斯顿工业大学)
在这项工作中,提出了一个独立的预处理SAT是能够执行大多数已知的预处理技术。在SAT中预处理公式对性能很重要,因为可以删除冗余。预处理器是SAT求解器riss的一部分,称为协处理器。不仅riss,而且MiniSat 2.2也从中受益,因为MiniSat的SatELite预处理器没有实现最近的技术。通过使用更先进的技术,协处理器能够进一步减少公式中的冗余,提高整体求解性能。
2011-08-31 cs.AI
A high-performance analog Max-SAT solver and its application to Ramsey numbers
Babeş-Bolyai University(巴比什-波雅依大学);Romanian Institute of Science and Technology(罗马尼亚科学技术研究所);University of Notre Dame(圣母大学);The College of Wooster(伍斯特学院);Transylvanian Institute of Neuroscience(特兰西瓦尼亚神经科学研究所)
我们介绍了一个连续时间模拟求解器MaxSAT,一个典型的NP-难离散优化问题,其中的任务是找到一组布尔变量满足给定的逻辑约束的最大数量的真值分配。我们表明,缩放的不变量的求解器的动态,逃逸率,作为不满意的条款的数量的函数可以预测的全局最优值,往往在达到相应的状态。我们证明了求解器在硬MaxSAT竞争问题上的性能。然后,我们考虑双色拉姆齐数$R(m,m)$问题,将其转化为SAT,并将我们的算法应用于仍然未知的$R(5,5)$。我们发现边着色没有单色5-团的完全图高达42个顶点,而在43个顶点,我们发现着色只有两个单色5-团,迄今为止发现的最好的着色,支持猜想,$R(5,5) = 43$。
2018-01-28 cond-mat.stat-mech cs.AI cs.CC
Transformer-based Machine Learning for Fast SAT Solvers and Logic Synthesis
University of California Los Angeles(加利福尼亚大学洛杉矶分校);The Pennsylvania State University(宾夕法尼亚州立大学);University of Virginia(弗吉尼亚大学)
基于CNF的SAT和MaxSAT求解器是逻辑综合和验证系统的核心。这些约束问题在电子设计自动化中的日益普及,鼓励了对不同SAT问题及其性质的研究,以进一步提高计算效率。现代的基于语法驱动的子句学习SAT求解器在理论和实践上都取得了成功,它允许在相对较短的时间内解决非常大的工业实例。最近,机器学习方法为解决这一具有挑战性的问题提供了新的维度。神经符号模型可以作为通用求解器,可以基于数据专门用于特定领域,而无需对模型的结构进行任何更改。在这项工作中,我们提出了一个单次模型来自Transformer架构来解决最大SAT问题,这是SAT的优化版本,其目标是满足最大数量的条款。我们的模型具有无标度结构,可以处理不同大小的实例。我们使用元路径和自我注意力机制来捕捉同构节点之间的交互。我们在二分图上采用交叉注意力机制来捕捉异构节点之间的交互。我们进一步应用迭代算法,我们的模型,以满足额外的条款,使解决方案接近的一个确切的SAT问题。注意力机制利用并行性来加速。我们的评估表明,改进的加速比相比,启发式方法和改进的完成率相比,机器学习方法。
2021-07-15 cs.AI cs.LG cs.NE
Can Graph Neural Networks Learn to Solve MaxSAT Problem?
State Key Laboratory of Computer Science, Institute of Software, Chinese Academy of Sciences(中国科学院软件研究所计算机科学国家重点实验室);Laboratory of Parallel Software and Computational Science, Institute of Software, Chinese Academy of Sciences(中国科学院软件研究所并行软件与计算科学实验室);University of Chinese Academy of Sciences(中国科学院大学)
随着深度学习技术的快速发展,最近的各种工作都试图应用图神经网络(GNNs)来解决诸如布尔可满足性(SAT)之类的NP难题,这显示了弥合机器学习和符号推理之间差距的潜力。然而,GNNs预测的解决方案的质量在文献中还没有得到很好的研究。本文从理论和实践两个方面研究了GNNs学习解决MaxSAT问题的能力。我们建立了两种GNN模型来学习MaxSAT实例的解决方案,并通过实验评估表明GNN具有解决MaxSAT问题的吸引力。我们还提出了一个理论解释的效果,GNNs可以学习解决MaxSAT问题在一定程度上的第一次,基于算法对齐理论。
2021-11-15 cs.AI
Incorporating Multi-armed Bandit with Local Search for MaxSAT
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), CSIC(西班牙国家研究委员会人工智能研究所)
部分MaxSAT(PMS)和加权PMS(WPMS)是MaxSAT问题的两个实际推广。在本文中,我们提出了一个局部搜索算法,称为BandHS,它采用两个多臂土匪引导搜索方向时,逃离局部最优。一个bandit与所有软子句组合以帮助算法选择以满足适当的软子句,而另一个bandit与硬子句中的所有文字组合以帮助算法选择适当的文字以满足硬子句。这两个bandits可以提高算法在可行解空间和不可行解空间的搜索能力。我们进一步提出了一个初始化方法(W)PMS优先单位和二元条款时,产生的初始解决方案。大量的实验表明,我们提出的方法,极大地提高了国家的最先进的局部搜索算法,SATLike3.0,和国家的最先进的SAT为基础的不完全求解器,NuWLS-c的优良性能和泛化能力。
2022-11-29 cs.AI
Limits of Preprocessing
Vienna University of Technology(维也纳工业大学)
我们提出了第一个理论分析的权力多项式时间预处理的重要组合问题,从各个领域的人工智能。我们从约束满足、全局约束、可满足性、非单调性和贝叶斯推理等方面考虑问题。我们表明,在复杂性理论假设下,所考虑的问题都不能通过多项式时间预处理减少到其大小在输入的结构问题参数(如诱导宽度或后门大小)中为多项式的问题核。我们的研究结果提供了一个坚实的理论边界多项式时间预处理算法的性能所考虑的问题。
2011-08-11 cs.AI cs.CC
Diversified Top-k Partial MaxSAT Solving
Northeast Normal University(东北师范大学);Institute of Software, Chinese Academy of Sciences(中国科学院软件研究所);Beijing University of Aeronautics and Astronautics(北京航空航天大学)
我们引入了一个多样化的top-k偏MaxSAT问题,一个组合的偏MaxSAT问题和枚举问题。给定一个部分MaxSAT公式F和一个正整数k,多元top-k部分MaxSAT是寻找F的k个极大解,使得k个极大解满足F的最大软子句数.该问题可广泛应用于社区发现、传感器布局、模体发现、组合测试等领域。我们证明了该问题是NP-困难的,并提出了解决问题的方法。该方法的具体思想是设计一个编码EE,将多样化的top-k偏最大满足问题简化为偏最大满足问题,然后用最新的求解器求解。此外,我们提出了一个算法MEMKC精确求解多样化的top-k部分MaxSAT。通过几个实验,我们表明,我们的方法可以成功地应用到有趣的问题。
2017-05-31 cs.AI
Can LLMs Build a MaxSAT Solver from Papers? The CoreForge Experience
Carnegie Mellon University(卡内基梅隆大学)
该研究利用大语言模型从论文构建无权重 MaxSAT 求解器,采用结合论文讨论、代码实现及审核修订的迭代流程,评估特定配置,发现虽未现错误答案,但性能低于手工设计求解器,总结了相关经验教训。
2026-07-17 cs.AI cs.LO
Rethinking the Soft Conflict Pseudo Boolean Constraint on MaxSAT Local Search 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)
本文将完备 MaxSAT 求解器中的 SPB 约束引入局部搜索的子句加权机制,并设计自适应权重策略,提出 SPB-MaxSAT,实验表明其性能优异。
2024-01-19 cs.AI
BandMaxSAT: A Local Search MaxSAT Solver with Multi-armed Bandit
Huazhong University of Science and Technology(华中科技大学);University of Picardie Jules Verne(儒勒·凡尔纳皮卡第大学);Artificial Intelligence Research Institute (IIIA), CSIC(西班牙国家研究委员会人工智能研究所(IIIA))
我们解决部分MaxSAT(PMS)和加权PMS(WPMS),MaxSAT问题的两个实际推广,并提出了一个局部搜索算法,这些问题,称为BandMaxSAT,适用于多臂强盗模型来指导搜索方向。在我们的方法中的强盗与输入(W)PMS实例中的所有软子句相关联。每个分支对应一个软从句。Bandit模型可以帮助BandMaxSAT选择一个好的方向,通过选择一个软条款,以满足在当前步骤中,即选择一个手臂被拉动,以逃离局部最优。我们进一步提出了一个初始化方法(W)PMS优先单位和二元条款时,产生的初始解决方案。大量的实验表明,BandMaxSAT显着优于最先进的(W)PMS局部搜索算法SATLike3.0。具体而言,BandMaxSAT获得更好结果的实例数量约为SATLike3.0获得的实例数量的两倍。此外,我们将BandMaxSAT与完整的求解器TT-Open-WBO-Inc.由此产生的解算器BandMaxSAT-c的性能也优于一些最先进的完整(W)PMS解算器,包括SATLike-c、Loandra和TT-Open-WBO-Inc。
2022-06-16 cs.AI
Guarantees and Limits of Preprocessing in Constraint Satisfaction and Reasoning
UNSW Australia(新南威尔士大学);NICTA(澳大利亚国家信息与通信技术研究院);Vienna University of Technology(维也纳工业大学)
我们提出了第一个理论分析的权力多项式时间预处理的重要组合问题,从各个领域的人工智能。我们考虑的问题从约束满足,全局约束,可满足性,非单调和贝叶斯推理下的结构限制。所有这些问题都涉及两个任务:(i)识别输入中的结构,以满足约束的要求,以及(ii)使用识别的结构来有效地解决推理任务。我们表明,对于大多数考虑的问题,任务(一)承认一个多项式时间预处理的问题内核,其大小是多项式的结构问题参数的输入,相比之下,任务(二)不承认这样的减少到一个问题内核的多项式大小,受复杂性理论假设。作为一个值得注意的例外,我们表明,AtMost-NValue约束的一致性问题承认一个多项式核组成的二次变量和域值。我们的研究结果提供了一个坚实的最坏情况下的保证和理论边界的性能的多项式时间预处理算法所考虑的问题。
2014-06-12 cs.AI cs.CC cs.DS
Algorithms for Weighted Boolean Optimization
IST/UTL - INESC-ID(里斯本高等技术学院/里斯本理工大学 - 葡萄牙系统与计算机工程研究所);University College Dublin(都柏林大学学院);Universitat de Lleida(莱里达大学)
伪布尔优化(PBO)和最大可满足性(MaxSAT)问题是布尔可满足性(SAT)的自然优化扩展。在最近的过去,不同的算法已经提出了PBO和MaxSAT,尽管存在直接的映射从PBO到MaxSAT,反之亦然。本文提出了加权布尔优化(WBO),一个新的统一的框架,聚合和扩展PBO和MaxSAT。此外,本文提出了一种新的基于不可满足性的算法WBO的基础上,最近的不可满足性为基础的算法MaxSAT。除了标准的MaxSAT,新算法也可以用来解决加权MaxSAT和PBO,处理伪布尔约束,无论是原生的或通过转换为子句形式。实验结果表明,基于不可满足性的算法MaxSAT可以比现有的专用算法更有效的数量级。最后,本文说明了其他算法无论是PBO或MaxSAT可以扩展到WBO。
2009-03-06 cs.AI cs.LO
On Continuous Local BDD-Based Search for Hybrid SAT Solving
Rice University(莱斯大学)
我们探讨了连续局部搜索(CLS)在SAT求解的潜力,提出了一种新的方法来寻找一个混合系统的布尔约束的解决方案。该算法是基于CLS结合置信传播二叉决策图(BDD)。我们的框架接受所有的布尔约束,承认紧凑的BDD,包括对称布尔约束和小系数伪布尔约束作为有趣的家庭。我们提出了一种新的算法,有效地计算CLS所需的梯度。我们研究我们的多功能CLS求解器,GradSAT的能力和局限性,通过将其应用于许多基准测试实例。实验结果表明,GradSAT可以是一个有用的除了现有的SAT和MaxSAT求解器解决布尔可满足性和优化问题的投资组合。
2021-06-12 cs.AI cs.IT cs.LG
Towards Tackling MaxSAT by Combining Nested Monte Carlo with Local Search
LAMSADE University Paris Dauphine PSL(巴黎多芬大学PSL LAMSADE实验室);The University of New South Wales(新南威尔士大学)
最近的工作提出了UCTMAXSAT算法来解决最大可满足性问题(MaxSAT),并表现出比纯随机局部搜索算法(SLS)更好的性能。UCTMAXSAT基于蒙特卡罗树搜索,但它使用SLS而不是纯粹的随机播放。在这项工作中,我们介绍了两个算法的变化UCTMAXSAT。我们进行了实证分析MaxSAT基准从最近的比赛,并建立这两个想法导致性能的改善。首先,受嵌套蒙特卡罗搜索算法启发的树搜索的嵌套对基准测试中的大多数实例类型都是有效的。其次,我们观察到在SLS中使用静态翻转限制,理想的预算在很大程度上取决于实例大小,我们建议动态设置它。我们表明,这是一个强大的方式来实现各种实例上的性能相当,而不需要额外的调整。
2023-02-26 cs.AI
Solving the Two-dimensional single stock size Cutting Stock Problem with SAT and MaxSAT
VNU University of Engineering and Technology, Hanoi, Vietnam(越南河内国立大学工程与技术大学)
本文提出基于SAT的框架,通过扩展物品类型并利用非重叠约束减少计算复杂度,采用三种方法优化库存切割,实验表明其在求解效率和最优性方面优于其他工具。
2026-04-03 cs.AI cs.LO
Improve SAT-solving with Machine Learning
Davidson College(戴维森学院)
在这个项目中,我们的目标是改进Minisat的运行时间,Minisat是一个基于逻辑驱动的子句学习(CDCL)求解器,可以解决命题布尔可满足性(SAT)问题。我们首先使用逻辑回归模型来预测命题布尔公式的可满足性,在每个公式中固定一定比例的变量值。然后,我们应用逻辑模型,并添加了一个预处理期间Minisat使用蒙特卡洛方法来确定每个布尔变量的首选初始值(真或假)。具体地说,对于每个Monte-Carlo试验,我们固定了随机选择的变量的一定比例的值,并计算了所得到的子公式满足我们的逻辑回归模型的置信度。每个变量的初始值是根据从该变量的字面量开始的试验的平均置信分数设置的。我们特别感兴趣的是如何正确设置主干变量的初始值,这些变量在SAT公式的所有解中都具有相同的值。我们的Monte-Carlo方法能够正确设置78%的主链。扣除预处理时间后,与Minisat的默认设置相比,Minisat处理可满足公式的运行时间减少了23%。然而,我们的方法在运行时并没有优于vanilla Minisat,因为冲突的减少被预处理期间的长运行时间所抵消。
2017-10-30 cs.AI cs.LO
Neural Approaches to SAT Solving: Design Choices and Interpretability
Czech Institute of Informatics, Robotics and Cybernetics, Czech Technical University in Prague(捷克布拉格捷克技术大学信息学、机器人学与控制论研究所);University of Ostrava(俄斯特拉发大学)
本文全面评估了图神经网络在布尔可满足性问题上的应用,提出动态适应的最接近赋值监督方法提升大解空间性能,并将模型扩展为支持增量采样的扩散模型,通过嵌入空间分析揭示了其类似MaxSAT连续松弛的可解释推理过程。
2025-04-01 cs.AI cs.LG
Solving MaxSAT and #SAT on structured CNF formulas
University of Bergen(卑尔根大学)
在本文中,我们提出了CNF公式的一个结构参数,并使用它来识别加权MaxSAT和#SAT,可以在多项式时间内解决的情况。给定一个CNF公式,我们说一个子句集是精确可满足的,如果有一些完全赋值只满足这些子句。设公式的ps值是子句的精确可满足集的个数。将分支分解的概念应用于CNF公式,并以ps值为截函数,定义了公式的ps宽度。对于一个多项式PS-宽度的分解给出的公式,我们显示动态规划算法解决加权MaxSAT和#SAT在多项式时间。结合Belmonte和Vatshelle的结果,具有结构邻域的图类和算法应用,Theor。Comput. Sci. 511:54-65(2013)'我们得到了针对某些类别的结构化CNF公式求解加权MaxSAT和#SAT的多项式时间算法。例如,我们得到了$m$子句和$n$变量的公式$F$的$O(m^2(m + n)s)$算法以及$O(m^2(m + n)s)$的大小ABMQ,如果$F$具有变量和子句的线性排序,使得对于子句$C$中出现的任何变量$x$,如果$x$出现在$C$之前,则它们之间的任何变量也出现在$C$,并且如果$C$出现在$x$之前,则$x$也出现在它们之间的任何子句中。注意,这类公式的关联图类不具有有界的宽度。
2014-02-26 cs.AI cs.CC cs.DS
The Regularization of Small Sub-Constraint Satisfaction Problems
Brandenburg University of Technology Cottbus-Senftenberg(科特布斯-森夫滕贝格勃兰登堡工业大学)
本文提出了一种用局部一致的正则隶属约束代替子约束满足约束满足问题的新方法。该方法的目的是减少解析过程中的失败次数,通过加强约束传播来改善约束求解器在搜索期间做出的推断,并且在降低传播约束的成本的同时保持传播的水平。我们的实验结果表明,改进的分辨率速度相比,原来的CSP和最近的制表方法的竞争力。此外,我们的方法可以实现在一个预处理步骤,因此不会冲突的冗余约束或并行计算,如果实施。
2019-08-16 cs.AI
Orthologic for SAT Solving
EPFL(苏黎世联邦理工学院)
本文提出一种新的正交逻辑公式蕴含判定算法,避免了先前方法的高成本预处理阶段,同时保持相同的最坏复杂度。通过合成SAT基准测试,展示了正交逻辑归一化在某些难题中的提升效果。
2026-05-14 cs.AI cs.LO
UpMax: User partitioning for MaxSAT
INESC-ID(INESC-ID(葡萄牙系统与计算机工程研究所));Instituto Superior Técnico(高等技术学院);Universidade de Lisboa(里斯本大学);Carnegie Mellon University(卡内基梅隆大学)
本文提出UpMax框架,将MaxSAT求解中的用户划分过程与求解算法解耦,使用户可基于问题知识自定义划分方案,从而显著提升基于不可满足性的MaxSAT算法性能。
2023-05-25 cs.AI cs.LO
DistMS: A Non-Portfolio Distributed Solver for Maximum Satisfiability
INESC-ID;Instituto Superior Técnico, Universidade de Lisboa(里斯本大学高等技术学院)
最成功的并行SAT和MaxSAT求解器遵循组合方法,其中每个线程应用不同的算法(或不同配置的相同算法)来解决给定的问题实例。构建投资组合的主要目标是使每个线程执行的搜索过程多样化。只要一个线程完成,就可以认为实例已解决。在本文中,我们提出了一个新的开源分布式求解器的MaxSAT解决,解决了两个常见的问题,在多核并行求解器,即内存争用和可扩展性。初步结果表明,我们的非投资组合分布式MaxSAT求解器优于其顺序版本,并能够解决更多的情况下,进程的数量增加。
2015-05-10 cs.AI cs.LO
DPMS: An ADD-Based Symbolic Approach for Generalized MaxSAT Solving
Rice University(莱斯大学)
针对现有MaxSAT方法难以原生处理混合约束和广义问题,提出基于代数决策图的动态规划框架DPMS,可求解MaxSAT、Min-MaxSAT等,实验显示在低宽度实例上高效且能解决其他算法失败的难题。
2023-05-07 cs.AI cs.LO math.OC
Knowledge compilation languages as proof systems
在本文中,我们研究证明系统的Cook-Reckhow意义上的问题,是更高的多项式层次比coNP,特别是,#SAT和maxSAT。我们首先解释如何的概念Cook-Reckhow证明系统可以应用到这些问题,并显示如何可以扭曲现有的语言在知识编译,如决策DNNF,使他们可以被视为证明系统的问题,如#SAT和maxSAT。
2019-03-10 cs.AI cs.CC
Solving MaxSAT with Matrix Multiplication
Google DeepMind(谷歌DeepMind)
该研究提出适配神经网络加速器的MaxSAT不完全算法RbmSAT,通过构建RBM结合块吉布斯采样搜索解空间,辅以单元传播启发式,在多组MaxSAT评测基准上性能优于现有求解器。
2023-11-01 cs.AI cs.LG cs.LO
An Incremental MaxSAT-based Model to Learn Interpretable and Balanced Classification Rules
Instituto Federal de Educação, Ciência e Tecnologia do Ceará (IFCE)(塞阿拉联邦教育、科学和技术学院(IFCE))
提出基于增量 MaxSAT 的可解释且平衡的分类规则学习模型 IMLIB,通过限制规则大小生成更自然易理解的规则集,在准确率相当的情况下生成更小更平衡的规则。
2024-04-29 cs.AI cs.LG cs.LO
Learning Reliable Logical Rules with SATNet
University of Toronto(多伦多大学);Vector Institute(向量研究所);Shanghai Jiao Tong Univeristy(上海交通大学);Mila(米拉研究所)
针对SATNet学习的权重不可解释的问题,提出“最大等式”方法将其转换为加权MaxSAT逻辑规则,结合验证技术实现了高可靠性,且规则与真实规则功能等价。
2023-10-03 cs.AI cs.LG
Learning Linear Temporal Properties from Noisy Data: A MaxSAT Approach
Ecole Polytechnique(巴黎综合理工学院);Max Planck Institute for Software Systems(马克斯·普朗克软件系统研究所);University of Texas at Austin(德克萨斯大学奥斯汀分校);Arizona State University(亚利桑那州立大学)
我们解决的问题,使用线性时序逻辑(LTL)从一组有限的正面和负面的例子推断系统行为的描述。大多数现有的方法来解决这样的任务依赖于预定义的模板来指导推断公式的结构。另一方面,可以推断任意LTL公式的方法对数据中的噪声不鲁棒。为了减轻这些限制,我们设计了两个算法,即使在存在噪声的情况下,也可以推断出简洁的LTL公式。我们的第一个算法推断最小的LTL公式减少推理问题的最大可满足性的问题,然后使用现成的MaxSAT求解器找到一个解决方案。据我们所知,我们是第一个将MaxSAT求解器用于LTL公式推断的公司。我们的第二个学习算法依赖于第一个算法来推导基于决策树学习算法的LTL公式上的决策树。我们已经实现了我们的算法,并验证了我们的算法是有效的,即使在存在噪声的情况下提取简洁的LTL描述。
2021-06-24 cs.AI cs.FL cs.LG
SATNet: Bridging deep learning and logical reasoning using a differentiable satisfiability solver
Carnegie Mellon University(卡内基梅隆大学);University of Southern California(南加州大学);Bosch Center for Artificial Intelligence(博世人工智能中心)
在深度学习架构中集成逻辑推理一直是现代AI系统的主要目标。在本文中,我们通过引入可微分(平滑)最大可满足性(MAXSAT)求解器来实现这一目标,该求解器可以集成到更大的深度学习系统的循环中。我们的(近似)求解器是基于一个快速的坐标下降的方法来解决半定规划(SDP)与MAXSAT问题。我们展示了如何通过这个SDP的解决方案来解析区分,并有效地解决相关的向后传递。我们证明,通过将此求解器集成到端到端学习系统中,我们可以以最小监督的方式学习具有挑战性的问题的逻辑结构。特别是,我们证明了我们可以使用单比特监督来学习奇偶校验函数(传统上对深度网络来说是一项艰巨的任务),并仅从示例中学习如何玩9x9数独。我们还解决了一个“视觉数独”的问题,映射图像的数独谜题,以其相关的逻辑解决方案相结合,我们的MAXSAT求解器与传统的卷积架构。因此,我们的方法在深度学习中集成逻辑结构方面表现出了希望。
2019-05-29 cs.AI cs.LG stat.ML
Maximum Customers' Satisfaction in One-way Car-sharing: Modeling, Exact and Heuristic Solving
Institute of Computing, University of Campinas(坎皮纳斯大学计算研究所)
单向汽车共享系统是一种交通系统,允许客户在分散在城市各地的车站租车,短途使用,并在任何车站归还。最大顾客满意度问题涉及的任务是分配汽车,最初位于给定的车站,以最大限度地提高满意的客户数量。我们考虑两个车站的问题,其中每个客户正好有两个需求,在两个车站之间的相反方向,和客户满意,只有当他们的需求都得到满足。为了解决这个问题,我们提出了混合整数规划(MIP)模型和基于局部搜索的数学方法。我们创建了一个用于测试精确和启发式方法的实例基准。此外,我们提出了一个预处理过程来减少实例的大小。我们的MIP模型可以在10分钟内解决1000个客户的85%的建议实例的最优性,所有这些实例的平均差距小于0.1%。对于较大的实例(2500和5000个客户),除了某些特定情况外,它们的平均差距小于0.8%。此外,我们的本地为基础的数学提出了小的平均差距,这是优于MIP模型在一些较大的情况下。
2020-08-13 cs.AI math.OC
Moving between high-quality optima using multi-satisfiability characteristics in hard-to-solve Max3Sat instances
University of M\'alaga Malaga Spain 29071;University of S\ ao Paulo Ribeir\ ao Preto Brazil 14040901;University of M\'alaga;University of S\ ao Paulo
针对隧道穿越难以在高质量最优解间移动的Max3Sat实例,基于相变分析其特征,提出利用多可满足性特征的灰箱优化器,能解决先进灰箱无法解决的实例且保持对已解决实例的有效性。
2025-04-16 cs.AI
Variable and value elimination in binary constraint satisfaction via forbidden patterns
Royal Holloway, University of London(伦敦大学皇家霍洛威学院);IRIT, University of Toulouse III(图卢兹第三大学图卢兹计算机研究所);Insight Centre for Data Analytics(洞察数据分析中心);University College Cork(科克大学学院);University of Oxford(牛津大学)
约束满足问题(CSP)中的变量或值消除可用于预处理或搜索期间以减小搜索空间大小。变量消除规则(值消除规则)允许多项式时间识别某些变量(域元素),其消除不引入额外的补偿约束,不影响实例的可满足性。我们发现,基本上只有四个变量消除规则和三个值消除规则定义的禁止通用子实例,被称为不可约的存在模式,在弧一致的CSP实例。其中一个变量消除规则是已知的破三角性质,而其他三个是新的。三个值消去规则都可以看作是邻域替换的严格推广。
2015-02-12 cs.AI cs.CC cs.DM
General Method for Solving Four Types of SAT Problems
University of Chinese Academy of Sciences(中国科学院大学)
本研究提出统一框架DCSAT,基于整数规划和强化学习,结合蒙特卡洛树搜索,求解MaxSAT等四类SAT问题,能剪枝搜索空间并找到最优布尔赋值,还可为监督学习提供多样化标签。
2023-12-27 cs.AI math.OC
Efficient Learning of Interpretable Classification Rules
National University of Singapore(新加坡国立大学)
机器学习在医疗、法律和交通等各种安全关键领域的应用中已经变得无所不在。在这些领域,机器学习提供的高风险决策要求研究人员设计可解释的模型,其中预测是人类可以理解的。在可解释的机器学习中,基于规则的分类器在通过包括输入特征的一组规则来表示决策边界方面特别有效。基于规则的分类器的可解释性通常与规则的大小有关,其中较小的规则被认为更具可解释性。为了学习这样的分类器,暴力直接方法是考虑一个优化问题,该问题试图学习具有接近最大准确度的最小分类规则。由于其组合性质,该优化问题在计算上是棘手的,因此,该问题在大型数据集中不可扩展。为此,在本文中,我们研究的准确性,可解释性和可扩展性的学习规则为基础的分类之间的三角关系。本文的贡献是一个可解释的学习框架IMLI,这是基于最大可满足性(MaxSAT)的综合分类规则表达的命题逻辑。尽管MaxSAT解决方案在过去十年中取得了进展,但基于MaxSAT的简单解决方案无法扩展。因此,我们将一个有效的增量学习技术内的MaxSAT配方,通过集成小批量学习和迭代规则学习。在我们的实验中,IMLI在预测准确性、可解释性和可扩展性之间实现了最佳平衡。作为一个应用程序,我们部署IMLI在学习流行的可解释的分类器,如决策列表和决策集。
2022-08-30 cs.AI cs.LG
Extracting Problem Structure with LLMs for Optimized SAT Local Search
TU Wien(维也纳技术大学)
本文提出利用大语言模型分析Python编码代码以提取SAT问题隐藏结构,并自动生成专用局部搜索算法来构造强初始赋值,从而加速CDCL求解器。
2025-02-04 cs.AI
Assessing SATNet's Ability to Solve the Symbol Grounding Problem
Data Science Institute(数据科学研究所);Columbia University(哥伦比亚大学);Sony AI(索尼人工智能)
本文针对SATNet被认为能结合模式识别与逻辑推理的结论,通过实验证明其在无中间标签时视觉数独任务准确率为0%,指出其存在符号接地问题,并提出MNIST基准测试及失败原因与改进方向。
2023-12-13 cs.AI cs.LG
Classical Planning as QBF without Grounding (extended version)
Aarhus University, Department of Computer Science(奥胡斯大学计算机科学系)
大多数经典规划器使用基础作为预处理步骤,本质上将规划简化为命题逻辑。然而,接地涉及到实例化所有的动作规则与具体的对象组合,并导致大的编码SAT/QBF为基础的规划。当行动具有许多参数时,这种严重的内存成本成为主要瓶颈,例如IPC 2018竞赛中的有机合成问题。我们提供了一个紧凑的QBF编码,是对数的对象的数量,并完全避免接地,通过使用对象组合的通用量化。我们表明,我们可以解决一些有机合成的问题,这是不能处理之前的任何SAT/QBF为基础的计划,由于接地。
2021-12-18 cs.AI
Algorithm Selection with Zero Domain Knowledge via Text Embeddings
Algorithms and Complexity Group(算法与复杂性组)
本文提出了一种无需手工特征的算法选择方法,利用预训练文本嵌入替代传统特征。ZeroFolio通过文本序列化、嵌入和最近邻选择三步流程,在多个领域中实现了优于传统方法的性能。
2026-10-07 cs.AI cs.CL cs.LG
DeciLS-PBO: an Effective Local Search Method for Pseudo-Boolean Optimization
Jilin University(吉林大学)
本文针对伪布尔优化(PBO)问题,通过扩展单元传播机制构建初始赋值并引入基于子句的care启发式信息,提出了局部搜索算法DeciLS-PBO,在多项基准测试中展现出优越性能。
2023-06-29 cs.AI cs.LO