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
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
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
Exploiting Configurations of MaxSAT Solvers
University of Lleida(莱里达大学)
该研究探索MaxSAT求解器的参数配置利用方法,提出通过组合非竞争力求解器的配置得到更优求解方案,并通过实验验证了该思路的有效性。
2023-06-13 cs.AI
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
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
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
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
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
Approximation Strategies for Incomplete MaxSAT
Indian Institute of Technology Hyderabad(印度理工学院海得拉巴分校);Carnegie Mellon University(卡内基梅隆大学)
不完全MaxSAT求解的目的是快速找到一个解决方案,试图最小化未满足的软条款的权重之和,而不提供任何最优性保证。在本文中,我们提出了两个近似策略,以改善不完全MaxSAT解决。在其中一种策略中,我们将权重聚类,并用代表性权重近似它们。在另一种策略中,我们将最小化不可满足子句的权重之和的问题分解为多个最小化子问题。实验结果表明,近似策略可以用来找到比MaxSAT Evaluation 2017中的最佳不完整求解器更好的解决方案。
2018-06-19 cs.AI cs.LO
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
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
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
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
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
A general optimization solver based on OP-to-MaxSAT reduction
School of Software Engineering, South China University of Technology(华南理工大学软件学院);School of Software Engineering, Sun Yat-sen University(中山大学软件学院);Department of Mathematics, College of Science, Shantou University(汕头大学理学院数学系)
本文提出基于OP到MaxSAT缩减的通用优化求解器GORED,通过将多种优化问题转化为MaxSAT实例,实现对多种优化问题的统一求解,并在11种问题类型上验证了其通用性和求解质量。
2026-04-23 cs.AI cs.LO cs.SC
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
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
Proteus: A Hierarchical Portfolio of Solvers and Transformations
Insight Centre for Data Analytics(Insight数据分析中心);University College Cork(科克大学学院)
近年来,解决SAT问题和CSP的组合方法越来越普遍。还有许多不同的编码用于将CSP表示为SAT实例。在本文中,我们利用SAT和CSP求解的进展,提出了一种新的分层投资组合为基础的方法来解决CSP,我们称之为Proteus,不纯粹依赖于CSP求解器。相反,它可以决定最好将CSP问题实例编码为SAT,选择适当的编码和相应的SAT求解器。我们的实验评估使用了一个实例的变形,涉及四个CSP求解器,三个SAT编码,和六个SAT求解器,评估最具挑战性的问题实例从CSP求解器的竞争,涉及全球和内涵的约束。我们表明,显着的性能改善,可以通过利用其他观点和求解器组合解决问题的变形。
2014-02-17 cs.AI
Solving Set Optimization Problems by Cardinality Optimization via Weak Constraints with an Application to Argumentation
University of Huddersfield(哈德斯菲尔德大学);Cardiff University(卡迪夫大学);Università degli Studi di Brescia(布雷西亚大学)
优化-最小化或最大化-在子集的网格中是人工智能任务中的常见操作。例子是子集最小模型为基础的诊断,非单调推理的限制,或首选的抽象论证的扩展。从计算复杂性和方法论两方面考虑,在许多可接受的解中找到最优解往往比找到可接受的解更难。本文针对前一个问题,通过一个有效的方法来寻找子集最优解。它基于基数最优解和子集最优解之间的关系,以及许多基于逻辑的声明式编程系统提供了用于寻找基数最优解的构造,例如最大可满足性(MaxSAT)或回答集编程(ASP)中的弱约束。显然,每个基数最优解也是一个子集最优解,如果语言还允许添加特定的限制结构(MaxSAT和ASP都允许),那么所有的子集最优解都可以通过基数最优解的迭代计算来找到。作为展示,使用所提出的方法的抽象论证框架的优选扩展的计算进行了研究。
2016-12-22 cs.AI
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
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
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
Improving problem solving by exploiting the concept of symmetry
Mansoura University(曼苏拉大学)
我们研究对称的概念及其在解决问题中的作用。本文首先对构成“问题”及其“解决方案”的要素进行了精确的定义,并举例说明了这些定义。给定问题的精确定义,构建一个寻找解决方案的搜索过程相对简单。最后,本文试图利用对称性的概念来提高问题解决能力。
2013-03-04 cs.AI
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
On Solving the Oriented Two-Dimensional Bin Packing Problem under Free Guillotine Cutting: Exploiting the Power of Probabilistic Solution Construction
Universitat Politècnica de Catalunya(加泰罗尼亚理工大学);Universität Wien(维也纳大学)
二维的【形】装箱问题是一个高度相关的组合优化问题。它们有大量的应用,例如,在运输或仓储的背景下,以及用于切割不同的材料,如玻璃,木材或金属。在这项工作中,我们处理的有向二维的【形】装箱问题下的自由断头台切割。在这个特定的问题中,一组定向的矩形项目,必须包装成一个最小数量的箱子的大小相等。在这项工作中提出的第一个算法是一个随机的多开始版本的建设性的一次通过启发式的文献。此外,我们建议使用这种随机的一次通过启发式的进化算法。这两种算法的结果进行了比较,从文献中的最佳方法。特别是进化算法相比,非常有利的,目前国家的最先进的方法。可以找到4个先前未解决的实例的最佳解决方案。
2012-09-05 cs.AI
Specifying and Exploiting Non-Monotonic Domain-Specific Declarative Heuristics in Answer Set Programming
Siemens AG Österreich(奥地利西门子股份公司);Alpen-Adria-Universität Klagenfurt(克拉根福阿尔卑斯-亚德里亚大学);TU Wien(维也纳工业大学)
特定领域算法是有效解决组合问题的一种基本技术。目前的方法来集成特定领域的算法与答案集编程(ASP)是不令人满意的,当处理指定的非单调的部分分配的基础上的算法。在实践中,例如,当挑选尚未放入装箱箱的物品时,经常会发生这种物流。因此,我们提出了新的语法和语义的声明性规范的领域特定的语法在ASP。我们的方法支持启发式语句,依赖于在解决过程中保持的部分分配,这是不可能的。我们提供了一个实现在ALPHA,使ALPHA的第一个懒惰接地ASP系统,以支持声明指定的特定于域的语法。两个实际的例子域被用来证明我们的建议的好处。此外,我们使用我们的方法来实现知情的搜索与A*,这是第一次在ASP。A* 适用于两个进一步的搜索问题。实验证实,结合懒惰接地ASP解决方案和我们的新算法可以解决工业规模的问题是至关重要的。
2022-09-19 cs.AI
Exploiting Model Equivalences for Solving Interactive Dynamic Influence Diagrams
Aalborg University(奥尔堡大学);University of Georgia(佐治亚大学)
我们专注于在部分可观察的环境中与其他代理的不确定类型具有类似或冲突的目标共享的顺序决策的问题。这个问题以前已经正式由多个框架,其中之一是交互式动态影响图(I-DID),它概括了众所周知的影响图的多智能体设置。I-DID是图形模型,可用于计算代理的策略,给定其对物理状态和其他模型的信念,其随着代理在多代理设置中的行为和观察而变化。正如我们所料,解决I-DID在计算上是困难的。这主要是由于归因于其他代理的候选模型的大空间及其随时间的指数增长。我们提出了两种方法来减少模型空间的大小,并阻止其指数增长。这两种方法都涉及将单个模型聚合到等价类中。我们的第一种方法将行为等价的模型分组在一起,只选择那些在更新后的模型空间中会产生与其他模型不同的预测行为的模型进行更新。第二种方法通过关注行为预测的部分来进一步压缩模型空间。具体来说,我们集群动作等效模型,规定在一个单一的时间步相同的行动。准确地识别等价性需要我们求解初始集合中的所有模型。我们通过选择性地求解某些模型来避免这种情况,从而引入近似值。我们讨论了近似引入的误差,并实证证明了由于等价性而提高了求解I-DID的效率。
2014-01-18 cs.AI
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
Exploiting Symmetries in MUS Computation (Extended version)
KU Leuven(鲁汶大学);UCLouvain(天主教鲁汶大学);Vrije Universiteit Brussel(布鲁塞尔自由大学)
本文针对不可满足约束程序的最小不可满足子集(MUS)计算中对称性研究不足的问题,通过改编现有MUS计算方法来利用规范中的对称性,显著减少了对称问题上的运行时间。
2024-12-18 cs.AI
Exploiting Partial Knowledge in Declarative Domain-Specific Heuristics for ASP
Siemens AG Österreich(西门子奥地利股份公司);Alpen-Adria-Universität(阿尔卑斯-亚德里亚大学);Technische Universität Wien(维也纳工业大学);Aalto University(阿尔托大学)
特定领域算法是有效解决组合问题的一种重要技术。我们提出了一种新的语义声明规范的领域特定的问答集编程(ASP)。基于部分解决方案的决策过程是现有领域特定算法的常见成分,例如,用于将尚未放置的物品放置在装箱中。因此,在我们的新语义否定失败和聚集在启发式条件下进行评估的部分求解器状态。最先进的求解器不允许这样的声明性规范。我们的实现在懒惰接地ASP系统Alpha支持启发式指令下的语义。通过这种方式,我们还提供了第一个实现,用于将声明式指定的特定于域的语法整合到延迟接地设置中。实验证实,ASP解决与懒惰接地和我们的新的算法相结合,可以解决工业规模的问题的重要组成部分。
2019-09-18 cs.AI cs.LO
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
Exploiting Reduction Rules and Data Structures: Local Search for Minimum Vertex Cover in Massive Graphs
最小顶点覆盖(MinVC)问题是一个著名的NP-难问题。最近有很大的兴趣在解决这个问题上的真实世界的大规模图。对于这样的图,局部搜索是一种很有前途的方法来找到最佳或接近最佳的解决方案。在本文中,我们提出了一个局部搜索算法,利用减少规则和数据结构,以解决MinVC问题,在这样的图。实验结果表明,我们的算法发现更好的覆盖比国家的最先进的局部搜索算法MinVC。此外,我们提出了有趣的结果的复杂性,一些著名的economistics。
2015-09-19 cs.AI cs.DS
Solving the long-tailed distribution problem by exploiting the synergies and balance of different techniques
Faculty of Engineering and Physical Sciences, University of Leeds(利兹大学工程与物理科学学院)
本研究探讨监督对比学习、稀有类别样本生成器和标签分布感知边际损失三种长尾识别技术的协同与平衡,通过端到端架构实验,在不牺牲优势类别性能的前提下提升尾部类别准确率,实现各类别均衡改进。
2025-01-23 cs.AI cs.CV cs.LG
Optimal Nudging: Solving Average-Reward Semi-Markov Decision Processes as a Minimal Sequence of Cumulative Tasks
Universidad de los Andes(安第斯大学);Colorado State University(科罗拉多州立大学)
本文描述了一种新的方法来解决平均报酬半马尔可夫决策过程,通过减少他们的最小序列的累积报酬问题。这类问题的通常解决方法在观察到采取行动的结果后立即更新增益(最优平均奖励)。引入的替代方案,最优轻推,依赖于将增益设置为某个固定值,这短暂地使问题成为累积奖励任务,通过任何标准的强化学习方法解决它,然后才以最小化最大意义上的不确定性的方式更新增益。最优增益更新的规则是通过利用w-l空间的几何特征导出的,w-l空间是策略空间的简单映射。需要解决的累积奖励任务的总数被证明是小的。通过实验对算法的性能进行了分析,并与其他方法进行了比较。
2015-04-20 cs.AI cs.LG
Exploiting Database Management Systems and Treewidth for Counting
UC Berkeley(加州大学伯克利分校);TU Wien(维也纳工业大学)
本文提出利用数据库管理系统(PostgreSQL)在树分解上实现动态规划,以高效求解小树宽实例的计数问题(如#SAT),首次将DBMS用于树分解算法,并利用其处理大表、并行化和挂起计算的优势。
2021-02-03 cs.AI cs.DS math.LO
DeepAveragers: Offline Reinforcement Learning by Solving Derived Non-Parametric MDPs
Oregon State University(俄勒冈州立大学)
本文提出DAC-MDP,一种基于深度表示的非参数MDP方法,通过引入成本处理有限数据,实现可扩展且支持零样本调整的离线强化学习。
2025-02-04 cs.AI cs.LG stat.ML