Solving the Steiner Tree Problem in graphs with Variable Neighborhood Descent
KU Leuven(鲁汶大学)
图中的斯坦纳树问题(STP)在集成电路设计、进化论、网络等领域有着广泛的应用。本文提出了一种求解STP的算法。该算法包括一个reducer和一个使用可变邻域下降(VND)的求解器,在搜索过程中相互作用。提出了一种新的构造性算法和一种用于强化的顶点评分系统。该算法进行了测试的一组基准,显示出令人鼓舞的结果。
2018-06-13 cs.AI
Tree of Attributes Prompt Learning for Vision-Language Models
Harvard University(哈佛大学);Mass General Brigham(麻省总医院);Microsoft(微软公司)
提出属性树提示学习(TAP),利用大语言模型生成结构化属性树并学习层级视觉与文本提示,以解决类别名称上下文利用不足问题,在零样本泛化、跨数据集迁移和少样本分类上超越现有方法。
2025-04-21 cs.AI cs.CV cs.LG
Vulcan: Solving the Steiner Tree Problem with Graph Neural Networks and Deep Reinforcement Learning
Shanghai University of Electric Power(上海电力大学);Xiamen University(厦门大学)
图中的斯坦纳树问题(STP)旨在寻找图中连接给定顶点集的最小权树。这是一个经典的NP难组合优化问题,并有许多实际应用(例如,超大规模集成电路芯片设计,交通网络规划和无线传感器网络)。许多精确和近似算法已经开发了STP,但他们遭受高计算复杂性和弱最坏情况下的解决方案的保证,分别。启发式算法也被开发。然而,它们中的每一个都需要应用领域知识来设计,并且只适合于特定的场景。最近报道的观察,相同的NP-难组合问题的实例可能会保持相同或相似的组合结构,但主要是在他们的数据不同的动机,我们调查的可行性和效益,应用机器学习技术来解决STP。为此,我们设计了一种基于新型图神经网络和深度强化学习的新型模型Vulcan。Vulcan的核心是一种新颖、紧凑的图嵌入,它将高维图结构数据(即,路径改变的信息)转换成低维向量表示。给定一个STP实例,Vulcan使用这种嵌入来编码其路径相关信息,并将编码后的图发送到基于双深度Q网络(DDQN)的深度强化学习组件以找到解决方案。除了STP之外,Vulcan还可以找到各种NP难题的解决方案(例如,SAT、MVC和X3 C),将它们简化为STP。我们实现了Vulcan的原型,并使用真实世界和合成数据集进行了广泛的实验,以证明其有效性和效率。
2021-11-21 cs.AI cs.LG
Proposing and solving olympiad geometry with guided tree search
Beijing Institute for General Artificial Intelligence (BIGAI)(北京通用人工智能研究院(BIGAI));Institute for Artificial Intelligence, Peking University(北京大学人工智能研究院)
提出TongGeometry系统,通过引导式树搜索在欧几里得几何中自动发现并求解奥林匹克级问题,发现67亿条定理,超越金牌得主,并实现消费级可用。
2024-12-14 cs.AI cs.LG
Solving Large Steiner Tree Problems in Graphs for Cost-Efficient Fiber-To-The-Home Network Expansion
LMU Munich(慕尼黑大学);Deutsche Telekom AG(德国电信)
光纤到户(FTTH)网络的扩展由于昂贵的挖掘程序而产生高成本。因此,优化规划过程和最大限度地减少土方开挖工作的成本可以节省大量资金。在数学上,FTTH网络问题可以被描述为最小Steiner树问题。尽管Steiner树问题在过去几十年中已经得到了深入的研究,但在新的计算范式和新兴方法的帮助下,它可能会进一步优化。这项工作研究了即将到来的技术,如量子退火,模拟退火和自然启发的方法,如进化算法或基于黏菌的优化。此外,我们研究分区和简化方法。通过对几个现实问题实例的评估,我们在大多数领域的表现都优于传统的、广泛使用的基线(NetworkX近似求解器)。初始图的先前分区和所提出的基于粘模的方法对于具有成本效益的近似是特别有价值的。量子退火似乎很有前途,但受到可用量子比特数量的限制。
2021-11-24 cs.AI cs.LG cs.NE
Advanced Tools and Methods for Treewidth-Based Problem Solving -- Extended Abstract
TU Wien(维也纳工业大学)
用于求解著名的布尔可满足性问题(Sat)的计算机程序(所谓的求解器)已经改进了几十年。这些求解器如此快速的原因之一是在求解过程中隐式地使用了公式的结构属性。其中一个结构性指标是所谓的树宽,它试图衡量公式实例与简单(树状)的接近程度。这项工作的重点是基于逻辑的问题和基于树宽的方法和工具来解决这些问题。这些问题中的许多也与一般的知识表示和推理(KR)以及人工智能(AI)相关。本文提出了一种新的问题归约方法--分解引导法。这种约简类型形成了解决自2004年以来一直开放的有界树宽的量化布尔公式(QBF)问题的基础。这个问题的解决方案,然后产生了一个新的方法来证明精确的下限范围进一步形式主义的逻辑,KR和AI。尽管建立了下界,我们实现了一个算法,有效地解决扩展的SAT,直接使用树宽。我们的实现是基于找到实例的抽象,然后在过程中逐步细化。因此,我们的观察证实,树宽是一个重要的措施,应考虑在现代求解器的设计。
2022-08-24 cs.AI cs.CC cs.DB
IKBT: solving closed-form Inverse Kinematics with Behavior Tree
University of Washington(华盛顿大学)
串联机器人手臂具有复杂的运动学方程,必须求解这些方程以编写有效的手臂规划和控制软件(逆运动学问题)。现有的逆运动学软件包往往依赖于数值方法,有显着的缺点。在这里,我们报告了一个新的符号逆运动学求解器,克服了数值方法的局限性,和以前的符号软件包的缺点。我们集成了行为树,以前用于控制智能机器人行为的执行规划框架,组织方程求解过程,以及每个解决方案技术的模块化架构。该系统成功地解决了问题,生成了LaTex报告,并为19个4-6自由度示例机器人中的18个生成了Python代码模板。该系统易于扩展、维护和多平台,依赖性很小。完整的软件包可以在Github上通过Modified BSD许可证获得。
2017-12-07 cs.AI cs.RO
Tree of Thoughts: Deliberate Problem Solving with Large Language Models
Princeton University(普林斯顿大学);Google DeepMind(谷歌DeepMind)
本文提出思维树(ToT)框架,通过多路径探索、自我评估、前瞻与回溯,使语言模型实现深思熟虑的决策,并在 24 点游戏等任务上显著超越思维链提示。
2023-12-03 cs.AI cs.CL cs.LG
An Integrated Framework Integrating Monte Carlo Tree Search and Supervised Learning for Train Timetabling Problem
School of Information Science and Technology, Southwest Jiaotong University(西南交通大学信息科学与技术学院)
针对单线铁路列车时刻表问题,本文提出融合启发式方法、无监督与监督学习的蒙特卡洛树搜索集成框架,通过规划器与学习器结合提升求解数据效率,为该问题求解提供新范式。
2023-11-02 cs.AI cs.CE cs.LG
Learning to Debug: LLM-Organized Knowledge Trees for Solving RTL Assertion Failures
NVIDIA
GROVE通过构建基于LLM的知识树,有效解决RTL断言失败问题,提升调试效率和准确性。
2025-12-13 cs.AI cs.SE
Cobweb: An Incremental and Hierarchical Model of Human-Like Category Learning
Georgia Institute of Technology(佐治亚理工学院)
本文通过检验经典类别学习效应及样例式、原型式学习能力,对增量层次模型Cobweb进行更广泛评估,证明其可作为稳健的人类类别学习模型。
2024-05-09 cs.AI cs.IR cs.LG
CITS: Coherent Ising Tree Search Algorithm Towards Solving Combinatorial Optimization Problems
National University of Singapore(新加坡国立大学)
在经典的启发式算法中,模拟退火(SA)算法由于其能将组合优化问题的解自然地映射到伊辛哈密顿量的基态而备受关注。然而,在实际实施中,退火过程不能任意慢,因此,它可能偏离预期的稳态玻尔兹曼分布,并陷入局部能量最小值。针对这一问题,提出了一种启发式搜索算法,将搜索空间从马尔可夫链扩展到基于SA的递归深度有限树,其中父节点和子节点代表当前和未来的自旋状态.在每一次迭代中,该算法将通过在“向前看”的意义上沿着树进行探索,在可行的搜索空间内选择最佳的近优解。此外,受相干伊辛机(CIM)的启发,我们放松的自旋状态的离散表示连续表示与正则化项,并利用约化动力学的振子探索周围的邻居所选择的树节点。我们测试了我们的算法上的一个代表性的NP难问题(MAX-CUT),以说明该算法的有效性相比,半定规划(SDP),SA,和模拟CIM。我们的研究结果表明,以上的原始算法SA和CIM,我们的高层次树搜索策略是能够提供解决方案,在更少的时代伊辛制定的NP-优化问题。
2022-03-09 cs.AI
Solving Multi-Agent Target Assignment and Path Finding with a Single Constraint Tree
Carnegie Mellon University(卡内基梅隆大学)
针对CBS-TA算法在解决TAPF问题时的可扩展性瓶颈,本文提出ITA-CBS算法,通过构建单一搜索树并增量计算1最优分配来避免重复碰撞解决与昂贵计算,在保证最优性的同时提升了计算效率。
2023-10-23 cs.AI cs.RO
Multicriteria Steiner Tree Problem for Communication Network
Inst. for Information Transmission Problems, Russian Academy of Sciences, Moscow, Russia email: Moscow Inst. of Physics
本文提出了一种组合优化方案,用于解决通信网络拓扑设计中的多准则Steiner树问题(例如,无线网状网络)。解决方案是基于几个模型:多准则排名,聚类,最小生成树,最小斯坦纳树问题。说明性数值示例对应于设计覆盖长距离Wi-Fi网络(静态Ad-Hoc网络)。标准集(即,目标函数)涉及以下内容:总成本、总边长度、总吞吐量(容量)和QoS估计。计算结果表明,所提方案提供了良好的网络拓扑结构,可与最小生成树相比。
2011-02-12 cs.AI cs.DS cs.NI
Optimal Solving of Constrained Path-Planning Problems with Graph Convolutional Networks and Optimized Tree Search
Safran Electronics & Defense(赛峰电子与防务公司);LAMSADE, Paris-Dauphine University(巴黎多芬大学LAMSADE实验室);CREC Saint-Cyr, Coetquidan School Campus(圣西尔军校科埃基当校区研究中心)
基于深度学习的方法在规划方面越来越重要。在本文中,我们提出了一种混合规划器,结合了图机器学习模型和基于分支和边界树搜索的路径规划任务的最佳求解器。更具体地,使用图神经网络来辅助分支定界算法处理与期望解路径相关联的约束。有多个下游实际应用,例如自主无人地面车辆(AUGV),通常部署在救灾或搜索和救援行动中。在越野环境中,AUGV必须在各种操作约束下动态优化源-目的地路径,其中一些操作约束难以提前预测并且需要在线解决。我们进行实验,现实的情况下,并表明,图神经网络的支持,使大量的加速和更平滑的扩展到更难的路径规划问题。此外,由图神经网络提供的信息使该方法能够优于特定问题的手工算法,突出了潜在的图神经网络持有的路径规划任务。
2022-04-03 cs.AI cs.LG cs.RO
Solving Pasur Using GPU-Accelerated Counterfactual Regret Minimization
本文提出一种CUDA加速的计算框架,通过反事实遗憾最小化(CFR)求解复杂纸牌游戏Pasur的近似纳什均衡,利用博弈树分解与逐轮反向训练策略降低内存与计算开销,并训练树模型预测策略及通过大规模自对弈评估牌组公平价值。
2025-08-06 cs.AI cs.GT 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
Seeing the Forest and the Trees: Solving Visual Graph and Tree Based Data Structure Problems using Large Multimodal Models
Temple University(天普大学);Abilene Christian University(阿比林基督大学);The University of Auckland(奥克兰大学)
本研究构建含9,072个样本的图与树数据结构基准,评估多种大型多模态模型,发现GPT-4o在树任务(87.6%准确率)和Gemini 1.5 Flash在图任务(56.2%准确率)上表现最佳,凸显了LMMs解决复杂视觉计算问题的潜力。
2024-12-15 cs.AI cs.CV cs.CY
On balanced clustering with tree-like structures over clusters
本文解决了平衡聚类问题的一个额外的要求,作为一个树状结构,在所获得的平衡集群。这种聚类问题在某些应用中可能是有用的(例如,网络设计、管理和路由)。各种类型的初始元素被认为是。四个基本的贪婪的解决策略(设计框架)被认为是:平衡跨越战略,跨越平衡战略,直接战略,和设计的分层结构与平衡。扩展描述的跨度平衡策略,包括四个解决方案和一个说明性的数值例子。
2018-12-09 cs.AI cs.DS
Solving Disjunctive Temporal Networks with Uncertainty under Restricted Time-Based Controllability using Tree Search and Graph Neural Networks
NASA Ames Research Center(美国国家航空航天局艾姆斯研究中心);LAMSADE(巴黎多芬大学计算机科学与决策方法实验室);Paris-Dauphine University(巴黎多芬大学);CREC Saint-Cyr Coetquidan(圣西尔科埃基当作战研究中心);Safran(赛峰集团)
不确定性下的规划是人工智能的一个研究领域。我们提出了一种新的方法,基于树搜索和图机器学习的调度问题,被称为具有不确定性的分离时间网络(DTNU)。DTNU的动态可控性(DC)寻求一种反应式调度策略,以满足时间约束,以响应不可控的动作持续时间。我们介绍了新的语义反应调度:基于时间的动态可控性(TDC)和TDC的一个有限的子集,R-TDC。我们设计了一个树搜索算法来确定DTNU是否是R-TDC。此外,我们利用图神经网络作为启发式树搜索指导。最后,我们在一个已知的基准上进行实验,在这个基准上,我们表明R-TDC在DC方面保持了显着的完整性,同时证明速度更快。这导致树搜索在R-TDC中处理的DTNU问题比最先进的DC求解器在DC中以相同的时间预算处理的DTNU问题多50%。我们还观察到,图神经网络搜索指导导致更复杂的DTNU的基准上的性能大幅提高,解决的问题比基线树搜索多11倍。
2022-03-30 cs.AI cs.LG cs.MA
Solving the Steiner Tree Problem with few Terminals
TU Dresden(德累斯顿工业大学);University of Potsdam(波茨坦大学);TU Wien(维也纳工业大学)
Steiner树问题是网络设计、路由和VLSI设计中的一个众所周知的问题。给定一个图、边的代价和一组专用顶点(终端),斯坦纳树问题要求输出一个以最小代价连接所有终端的子图。通过动态规划来解决Steiner树问题的最先进算法是Dijkstra-Steiner算法。该算法通过系统地搜索较小的实例,基于终端的子集,并为这些较小的实例组合Steiner树,来构建整个实例的Steiner树。搜索严重依赖于引导启发式函数,以便修剪搜索空间。然而,为了确保正确性,该算法只允许有限的启发式函数,即那些满足所谓的一致性条件。本文对Dijkstra-Steiner算法进行了改进,提出了一种重访算法DS*。DS* 算法允许任意的下限作为启发式算法,放松了启发式函数上的先前条件。值得注意的是,我们现在可以使用基于线性规划的下限。此外,我们捕获的启发式函数的条件,我们称之为受理的新要求。我们表明,容许性确实是弱于一致性,并建立正确的DS* 算法时,使用一个容许的启发式函数。我们实现了DS*,并将其与现代预处理相结合,从而形成了一个开源求解器(DS* Solve)。最后,我们比较其性能的标准基准,并观察到竞争行为。
2020-11-09 cs.AI cs.DS
Learning to Prune Instances of Steiner Tree Problem in Graphs
University College Dublin, Dublin, Ireland(都柏林大学学院)
本文采用学习剪枝框架解决图上的斯坦纳树问题,以远低于商业ILP求解器的时间获得接近最优解,展示了该框架在组合优化中的广泛潜力。
2022-10-09 cs.AI cs.DM cs.DS
Large Language Model Guided Tree-of-Thought
Theta Labs, Inc.(西塔实验室公司)
本文提出思维树(ToT)框架,通过增加提示代理、检查器、记忆和控制器模块,使大型语言模型能进行树状思维回溯,显著提升数独求解成功率。
2023-05-15 cs.AI cs.CL cs.CV
UCT-ADP Progressive Bias Algorithm for Solving Gomoku
Fudan University(复旦大学)
我们结合自适应动态规划(ADP),一个强化学习方法和UCB应用到树(UCT)算法与一个更强大的启发式功能的基础上渐进偏差方法和两个修剪策略的传统棋盘游戏五子棋。对于自适应动态规划部分,我们训练了一个浅层前向神经网络,以快速评估五子棋局的情况。UCT是MCTS中作为树策略的通用方法。我们的框架使用UCT来平衡五子棋游戏树的探索和利用,同时我们还应用强大的修剪策略和启发式函数来重新选择状态的可用2-相邻网格,并使用ADP代替模拟来给出扩展节点的估计值。实验结果表明,该方法可以消除模拟过程中搜索深度的缺陷,比单一的UCT更快地收敛到正确值。该方法可以应用于设计新的五子棋AI和解决其他五子棋类棋盘游戏。
2019-12-11 cs.AI
BPP-Search: Enhancing Tree of Thought Reasoning for Mathematical Modeling Problem Solving
the University of Hong Kong(香港大学);Noah’s Ark Lab, Huawei(华为诺亚实验室)
针对运筹学数据集缺乏建模过程标注的问题,提出StructuredOR数据集和BPP-Search算法,将强化学习与思维树结合,提升数学建模问题求解的准确性和效率。
2025-05-26 cs.AI cs.CL
DynASP2.5: Dynamic Programming on Tree Decompositions in Action
TU Wien(维也纳工业大学)
一个活跃的理论研究领域是有效的精确参数化算法。最近的求解竞赛,如PACE挑战赛表明,参数化算法社区的实际兴趣也越来越大。一个重要的研究问题是,专用的参数化精确算法是否具有一定的实际意义,甚至可以击败成熟的问题解决者。我们认为基于逻辑的声明式建模语言和问题解决框架答案集编程(ASP)。最先进的ASP求解器在很大程度上依赖于基于SAT的算法。ASP求解器(DynASP 2),这是基于一个经典的动态规划的树分解,最近已经出版。不幸的是,DynASP 2可以优于现代ASP解决方案的程序,小的树宽度,只有当感兴趣的问题是计数的解决方案的数量。在本文中,我们描述了我们的新的实现(DynASP 2.5),显示竞争行为,以国家的最先进的ASP求解器,即使只找到一个解决方案时,解决问题的斯坦纳树的问题,已建模在ASP的低树宽的图。我们的实现是基于一种新的方法,我们称之为多通动态规划(M-DPSINC)。
2017-06-28 cs.AI cs.CC cs.LO
Token-Supervised Value Models for Enhancing Mathematical Problem-Solving Capabilities of Large Language Models
NAVER Cloud(NAVER云);KAIST AI(韩国科学技术院人工智能学院);NAVER AI Lab(NAVER人工智能实验室);SNU(首尔大学);AITRICS
本文提出令牌监督价值模型(TVMs),通过为每个令牌赋予到达正确答案的概率,实现对部分解的直接显式评估,从而在树搜索中避免过早剪枝有前景的中间步骤,显著提升大语言模型的数学求解准确率。
2025-03-10 cs.AI cs.CL