Instrumenting an SMT Solver to Solve Hybrid Network Reachability Problems
SIFT, LLC.（SIFT有限责任公司）；IST Austria（奥地利科学技术学院）；University of Freiburg（弗莱堡大学）
PDDL+规划的语义植根于混合自动机（HA），最近的工作表明，它可以建模为一个网络的HA。解决复杂的非线性PDDL+规划的HA需要空间和时间效率的推理。不幸的是，现有的求解器要么不解决非线性动力学，要么不支持自动机网络。我们提出了一种新的算法，称为HNSolve，它指导dReal可满足性模理论（SMT）求解器的变量选择，同时推理网络编码的非线性PDDL+规划作为HA。HNSolve通过解决HA网络的离散抽象与dReal紧密集成。HNSolve在HA网络上查找忽略连续变量但尊重模式跳转和同步标签的复合运行。HNSolve可允许地检测离散抽象中的死胡同，并发布冲突子句来修剪SMT求解器的搜索。我们评估我们的HNSolve算法的好处PDDL+基准问题，并证明其性能相对于以前的工作。
2016-09-13 cs.AI
Constraint Satisfaction Propagation: Non-stationary Policy Synthesis for Temporal Logic Planning
University of Minnesota（明尼苏达大学）
当使用奖励函数来捕获顺序的时间受限的目标状态之间的依赖关系时，出现了问题，因为状态空间必须被过度扩展以容纳成功实现的子目标的历史。此外，政策和价值函数与平稳性假设推导出不容易分解，导致奖励最大化和任务泛化之间的紧张关系。我们展示了一个逻辑兼容的方法，使用基于模型的知识的环境动态和最后期限的信息，直接推断可重用的静态政策组成的非静态政策。该策略的构建是为了最大化满足时间敏感目标的概率，同时尊重时变障碍。我们的方法显式地保持两个不同的空间，一个高层次的逻辑任务规范，任务变量接地到低层次的状态空间的马尔可夫决策过程。在任务级的计算可满足性是可能的贝尔曼方程的张量，连接两个空间之间的时间关系;方程求解的值函数，可以明确地解释为子目标的概率下的综合非平稳政策，一种方法，我们术语约束满足传播（CSP）。
2019-02-11 cs.AI
Sparsification for Fast Optimal Multi-Robot Path Planning in Lazy Compilation Schemes
Czech Technical University in Prague（布拉格捷克理工大学）
多机器人路径规划（MRPP）是指为机器人寻找从初始位置到指定目标位置的无碰撞路径。该问题通常使用无向图建模，其中机器人在顶点之间跨边缘移动。当代的最优求解算法包括直接解决问题的基于搜索的专用方法，以及将MRPP简化为不同形式的基于编译的算法，对于该不同形式的MRPP存在有效的求解器，例如约束编程（CP）、混合整数编程（MIP）或布尔可满足性（SAT）。在本文中，我们加强现有的SAT为基础的算法MRPP通过spartification的候选路径为每个机器人的目标布尔编码派生的集合。建议的路径集的稀疏化导致更小的目标布尔公式，可以更快地构造和求解，同时保持方法的最优性保证。
2021-03-08 cs.AI cs.RO
Structure and Problem Hardness: Goal Asymmetry and DPLL Proofs in<br> SAT-Based Planning
在验证和（最优）AI规划中，一个成功的方法是将应用程序制定为布尔可满足性（SAT），并使用最先进的基于DPLL的程序来解决它。人们不理解为什么这一点如此有效。专注于规划的背景下，我们确定了一种形式的问题结构的对称或不对称的性质，实现个人的规划目标的成本。我们用一个叫做AsymRatio的简单数值参数来量化这种结构，范围在0到1之间。自2000年以来，我们在国际规划竞赛的10个基准域中进行实验，我们表明AsymRatio在其中8个域中是SAT求解器性能的良好指标。然后，我们研究精心制作的合成规划域，允许控制的结构量，并足够干净的组合搜索空间的严格分析。这些域通过大小和结构的量来参数化。我们研究的CNF是不可满足的，编码一个规划步骤的长度小于最优计划。我们证明了最好的DPLL反驳的大小上的上限和下限，根据不同的设置的结构量，作为大小的函数。我们还确定了分支变量（后门）的最佳可能集合。最小AsymRatio，我们证明了指数下界，并确定最小后门的大小线性的变量的数量。最大的AsymRatio，我们确定对数DPLL反驳（和后门），显示两个结构极端情况之间的双指数差距。这种行为的原因-证明参数-阐明了导致竞争基准中观察到的经验行为的结构的原型模式。
2007-02-26 cs.AI
Cost Optimal Planning as Satisfiability
我们调查的成本最优计划，是有效的问题与0成本行动的长度上界。我们采用这些上限为地平线的SAT为基础的编码规划成本。给定一个初始上限的最优计划的成本，我们的实验表明，这种基于SAT的方法是能够计算出更好的成本计划，在许多情况下，它可以匹配的最优成本。此外，在多个实例中，该方法成功地证明了某个成本是最优计划成本。
2021-03-03 cs.AI cs.LO
New Techniques for Algorithm Portfolio Design
Carnegie Mellon University（卡内基梅隆大学）；The Robotics Institute（机器人研究所）
我们提出并评估新的技术设计算法组合。在我们看来，这个问题既有调度方面，也有机器学习方面。先前的工作主要是孤立地解决这两个方面中的一个。最近的工作调度方面的问题的基础上，我们提出了一种技术，同时解决这两个方面，有吸引力的理论保证。实验上，我们表明，这种技术可以用来提高性能的最先进的算法布尔可满足性，零一整数规划，和AI。规划
2012-06-13 cs.AI
Automated Process Planning Based on a Semantic Capability Model and SMT
Helmut Schmidt University（赫尔穆特·施密特大学）
本文提出一种结合语义能力模型与SMT的方法，自动生成AI规划问题并求解有效能力序列，实现自动化工艺规划并支持人类专家知识集成与决策解释。
2024-02-14 cs.AI cs.LO
Fast Decomposition of Temporal Logic Specifications for Heterogeneous Teams
MIT Lincoln Laboratory（麻省理工学院林肯实验室）；Lehigh University（理海大学）
在这项工作中，我们专注于分解成较小的子问题，可以独立解决和执行的大型多智能体路径规划问题的全球时间逻辑目标（共同的所有代理）。至关重要的是，子问题的解决方案必须共同满足共同的全球任务规范。代理的任务被给出为能力时序逻辑（CaTL）公式，信号时序逻辑的片段，其可以表达涉及多个代理能力（传感器，例如，相机、IR和效应器，例如，轮式、飞行、操纵器）。我们采取的方法是分解的时间逻辑规范和团队的代理。我们共同的原因代理分配给子团队和分解的公式使用可满足性模理论（SMT）的方法。SMT的输出然后被分发到子团队，并导致计划时间的显著加快。我们包括计算结果来评估我们的解决方案的效率，以及由SMT编码的保守性引入的权衡。
2020-09-30 cs.AI
Linear Temporal Logic Modulo Theories over Finite Traces (Extended Version)
Free University of Bozen-Bolzano（博尔扎诺自由大学）
本文研究有限迹上的线性时态逻辑（LTLf），其中命题字母被替换为任意理论上的一阶公式，其思想是可满足性模理论。由此产生的逻辑，称为LTLf模理论（LTLfMT），是半可判定的。尽管如此，它的高表现力在许多用例中非常有用，例如数据感知流程的模型检查和数据感知规划。尽管这些问题通常是不可判定的，但能够解决可满足的实例是一个值得研究的折衷方案。在激励和描述这样的用例之后，我们提供了一个基于单通道树形tableau系统的SMT编码的LTLfMT的健全和完整的半决策过程。该算法在BLACK可满足性检查工具中实现，并在新的基准测试上进行了实验评估，结果表明了该方法的可行性。
2022-05-24 cs.AI cs.LO
Differentiable Symbolic Planning: A Neural Architecture for Constraint Reasoning with Learned Feasibility
Sithara Inc.（Sithara公司）
本文提出可微符号规划（DSP），通过神经架构实现离散符号推理并保持全可微性，结合通用认知内核（UCK）在约束推理基准中取得高准确率。
2026-02-19 cs.AI cs.LG
Lifelong Dynamic Optimization for Self-Adaptive Systems: Fact or Fiction?
Loughborough University（拉夫堡大学）
当面对不断变化的环境时，高度可配置的软件系统需要动态地搜索有希望的适应计划，以保持最佳可能的性能，例如，更高的吞吐量或更小的延迟--这是自适应系统（SAS）的典型规划问题。然而，考虑到具有多个局部最优的崎岖和复杂的搜索环境，这样的SAS规划是具有挑战性的，特别是在动态环境中。在本文中，我们提出了LiDOS，SAS规划的终身动态优化框架。LiDOS的独特之处在于，为了处理“动态”，我们将SAS规划制定为多模态优化问题，旨在保留有用的信息，以便更好地处理动态环境变化下的局部最优问题。这与现有规划器的不同之处在于，在规划中的搜索过程中没有明确地处理“动态”。因此，LiDOS中的搜索和规划在SAS的整个生命周期内持续运行，仅在脱机或搜索空间已被环境覆盖时终止。在三个真实世界SAS上的实验结果表明，在SAS规划中显式处理动态作为搜索的一部分的概念是有效的，因为LiDOS整体上优于其静态对应物，最多可提高10倍。它还在总体上比最先进的规划器取得了更好的结果，并且在生成有希望的适应计划方面具有1.4倍至10倍的加速。
2022-01-18 cs.AI cs.SE
Multi-Agent Planning with Spatio-Temporal and Topological Constraints using STL-GO
针对多智能体规划中的时空与拓扑约束难题，提出基于STL-GO的混合整数规划与可满足性模理论两种编码方案，在多无人机搜索与救援基准上验证了其表达能力。
2026-08-03 cs.AI cs.MA
Machine Learning for SAT: Restricted Heuristics and New Graph Representations
St. Petersburg State University（圣彼得堡国立大学）；Steklov Institute of Mathematics at St. Petersburg（圣彼得堡斯捷克洛夫数学研究所）
针对机器学习改进SAT求解启发式时存在的运行慢问题，提出先用ML模型执行初始步再交回控制权的策略，还改进了适配跨领域SAT的Graph-Q-SAT，经随机和工业算例验证可行。
2023-07-18 cs.AI
Neuro Symbolic Reasoning for Planning: Counterexample Guided Inductive Synthesis using Large Language Models and Satisfiability Solving
Florida International University（佛罗里达国际大学）；SRI International（SRI国际（斯坦福国际研究院））；United States Military Academy（美国军事学院（西点军校））；University of Colorado Boulder（科罗拉多大学博尔德分校）；University of Central Florida（中佛罗里达大学）；Vanderbilt University（范德堡大学）
本文提出 LLM 与 SMT 求解器迭代交互的神经符号框架，通过反例反馈修正规划综合结果，并在积木规划任务中验证其可生成可证明正确的解。
2023-09-28 cs.AI cs.LO
Breaking Instance-Independent Symmetries In Exact Graph Coloring
University of Michigan（密歇根大学）；American University in Sharjah（沙迦美国大学）
代码优化和高级综合可以归结为约束满足和优化问题，如寄存器分配中的图着色。图着色还用于对与AI相关的更传统的CSP进行建模，例如计划，时间表和调度。可证明的最优解决方案对于商业和国防应用可能是期望的。此外，对于诸如寄存器分配和代码优化之类的应用，自然发生的图着色的实例通常很小，并且可以最优地解决。最近一波布尔可满足性（SAT）和0-1线性规划（ILP）算法的改进建议使用通用的问题归约方法，而不是问题特定的算法，因为（1）算法可能会被新的约束打乱，（2）算法往往忽略结构，（3）许多相关问题是不可证明的。问题简化通常会导致高度对称的SAT实例，而对称性会降低SAT求解器的速度。在这项工作中，我们比较了几种对称性破缺的途径，特别是当某些类型的对称性存在于所有生成的实例。我们专注于将CSP减少到SAT，这使我们能够利用SAT求解器最近的巨大改进，并自动从未来的进展中受益。我们可以使用各种黑盒SAT求解器而无需修改它们的源代码，因为我们的破解技术是静态的，即，我们在预处理期间检测对称性并添加对称性破坏谓词（SBP）。我们工作的一个重要结果是，在我们研究的实例独立SBPs类型及其组合中，最简单和最不完整的构造是最有效的。我们的实验也清楚地表明，实例独立的对称性大多应该与实例特定的对称性一起处理，而不是在规范级别，与文献中所建议的相反。
2011-09-11 cs.AI
Neural-Symbolic Descriptive Action Model from Images: The Search for STRIPS
MIT-IBM Watson AI Lab（MIT-IBM沃森人工智能实验室）；IBM Research（IBM研究院）
最近的工作神经符号系统，学习离散规划模型的图像开辟了一个有前途的方向，扩大范围的自动规划和调度的原始，嘈杂的数据。然而，以前的工作只是部分解决了这个问题，利用黑盒神经模型作为后继生成器。在这项工作中，我们提出了双阶段动作模型获取（DSAMA），一个系统，获得一个描述性的PDDL动作模型与明确的前提条件和影响的命题变量无监督学习的图像。DSAMA训练一组基于规则的随机森林分类器，并将它们编译成PDDL中的逻辑公式。虽然我们获得了与黑盒模型相比具有竞争力的准确PDDL模型，但我们观察到，所产生的PDDL对于最先进的标准规划器（如Fast Downward）来说过于庞大和复杂，主要是由于PDDL-SAS+转换器瓶颈。从这个负面的结果，我们认为，这个翻译瓶颈不能仅仅通过使用不同的，现有的基于规则的学习方法来解决，我们指出了潜在的未来方向。
2019-12-11 cs.AI cs.LG
