Dsat: A Native SAT Solver for Discrete Logic
Department of Computer Science, University of California, Los Angeles(加州大学洛杉矶分校计算机科学系)
本文提出一种用于离散逻辑的原生SAT求解器,通过扩展布尔逻辑,允许变量取任意值,并通过与CSP求解器、布尔SAT求解器等的比较验证其有效性。
2026-11-17 cs.AI cs.LO
Local Consistency and SAT-Solvers
University of Oxford(牛津大学)
局部一致性技术,如k-一致性是约束满足问题的专用求解器的关键组成部分。在本文中,我们表明,使用k-一致性技术的权力,约束满足问题,正是通过使用一个特定的推理规则,我们称之为负超分辨率,标准的直接编码的问题,布尔子句。我们还表明,目前的子句学习SAT求解器将发现在预期的多项式时间的任何不一致,可以推断出从一组给定的子句使用负超解式的固定大小。我们结合这两个结果表明,没有明确设计这样做,目前的子句学习SAT求解器有效地模拟k-一致性技术,为所有固定值的k。然后,我们给出了一些实验结果表明,这个功能允许子句学习SAT求解器有效地解决某些家庭的约束问题,这是传统的约束编程求解器的挑战。
2014-01-18 cs.AI cs.LO
Fast Analysis of the OpenAI O1-Preview Model in Solving Random K-SAT Problem: Does the LLM Solve the Problem Itself or Call an External SAT Solver?
University of Florence(佛罗伦萨大学)
本文分析了OpenAI O1-preview模型在求解随机K-SAT问题时的表现,发现其通过调用外部SAT求解器而非直接求解,且输出常含错误赋值,并提出方法量化其展现智能火花还是随机猜测。
2024-09-20 cond-mat.dis-nn cs.AI cs.CL
Machine Learning Methods in Solving the Boolean Satisfiability Problem
Shanghai Jiao Tong University(上海交通大学)
本文综述了利用机器学习求解布尔可满足性问题(SAT)的最新进展,涵盖从手工特征分类器到端到端求解器(如NeuroSAT)以及CDCL和局部搜索与机器学习的结合,并指出了当前局限与未来方向。
2022-03-02 cs.AI cs.LG cs.LO
Implementing Efficient All Solutions SAT Solvers
University of Electro-Communications(电气通信大学);Kobe University(神户大学)
所有解SAT(AllSAT)是命题可满足性问题的一个变种。尽管其重要性,AllSAT与其他变体相比相对未被探索。因此,我们调查和讨论AllSAT求解器的主要技术。我们忠实地实现它们,并使用大量的实例和各种类型的求解器(包括少数几个公共软件之一)进行全面的实验。实验结果表明了该算法的特点。我们实现的求解器是公开的,以便其他研究人员可以很容易地通过修改我们的代码来开发他们的求解器,并将其与现有的方法进行比较。
2015-10-02 cs.AI cs.DS cs.LO
Industrial-Strength Formally Certified SAT Solving
University of Southampton(南安普顿大学);University College Dublin(都柏林大学学院)
布尔可满足性(SAT)求解器现在经常用于大型工业问题的验证。然而,它们在安全关键领域(如铁路、航空电子和汽车行业)的应用需要某种形式的结果保证,因为求解器可能(有时确实)有错误。不幸的是,现代的,高度优化的SAT求解器的复杂性,使不切实际的直接形式证明其正确性的发展。本文提出了一种替代方法,其中一个不可信的,工业强度,SAT求解器插入到一个可信的,正式认证,SAT证明检查提供工业强度认证的SAT解决方案。我们的方法的主要新颖性和特点是:(一)检查器是自动提取的正式开发,(二),组合系统可以作为一个独立的可执行程序独立于任何支持定理证明,及(iii)检查器证明任何SAT求解器尊重商定的格式可满足性和不可满足性索赔。该系统的核心是一个经过认证的检查器,用于检查在Coq中正式设计和验证的不可满足性声明。我们提出了它的形式化设计和大纲的正确性证明。实际的独立检查器是从Coq开发中自动提取的。一个有代表性的一组工业基准从SAT竞赛的认证检查器的评估表明,虽然它是慢于未经认证的SAT检查器,它是显着快于认证的检查器上实现的交互式定理证明。
2009-12-17 cs.AI cs.LO
Improving SAT Solvers via Blocked Clause Decomposition
Donghua University(东华大学)
最具竞争力的CDCL(基于条件驱动的子句学习)SAT求解器使用的决策变量选择策略是VSIDS(可变状态独立衰减和)或其变体,如指数版本EVSIDS。VSIDS及其变体的共同特点是在求解过程中利用了统计信息,而忽略了问题的结构信息。为此,本文对决策变量选择策略进行了改进,提出了一种基于BCD(Blocked Clause Decomposition)的SAT求解技术。其基本思想是一部分决策变量由VSIDS启发式算法选择,另一部分决策变量由BCD算法得到的分块集选择。与现有的基于BCD码的方法相比,该方法简单,不需要对CNF公式进行重新编码。经过认证的UNSAT轨道的SAT解算器也可以应用我们基于BCD的技术。我们的应用程序基准测试的实验表明,新的变量选择策略的基础上BCD可以提高SAT求解器,如abcdSAT的性能。带有BCD的求解器解决了SAT Race 2015中的一个实例,该实例迄今为止尚未被任何求解器解决。这表明在某些情况下,基于结构信息的启发式算法比基于统计信息的启发式算法更有效。
2016-04-02 cs.AI cs.LO
Constraint-based analysis of composite solvers
合作约束求解是约束编程的一个领域,它研究约束求解器之间的交互,目的是发现放大单个求解器的积极品质的交互模式。这种研究的自动化和形式化是合作约束求解的一个重要问题。在本文中,我们提出了一个基于约束的分析,综合求解器,集成推理的个人求解器和处理的数据。我们的想法是近似这个推理的决议集约束的有限集表示的谓词,表达所有必要的属性。我们说明了我们的分析应用到两个重要的合作模式:确定性的选择和循环。
2003-09-07 cs.AI
Distance-aware Attention Reshaping: Enhance Generalization of Neural Solver for Large-scale Vehicle Routing Problems
South China University of Technology(华南理工大学);Victoria University of Wellington(惠灵顿维多利亚大学)
针对神经求解器从小规模泛化到大规模车辆路径问题时注意力分数分散的问题,本文提出无需额外训练的距离感知注意力重塑方法,利用节点间欧氏距离调整注意力,在大规模CVRPLib数据集上显著超越现有最优方法。
2024-01-13 cs.AI cs.LG
Solving Multi-Configuration Problems: A Performance Analysis with Choco Solver
Graz University of Technology(格拉茨工业大学)
本文研究多配置问题,以个性化考试生成为例展示其应用,并通过Choco约束求解器的性能分析揭示了相关性能问题。
2023-10-19 cs.AI
Translating finite-domain integer constraint models to CP/SMT/ILP/PB/SAT solvers with CPMpy
KU Leuven(鲁汶大学);Nonfiction Software;Flanders Make(弗兰德斯制造);University of Western Macedonia(西马其顿大学);UCLouvain(天主教鲁汶大学)
本研究提出基于CPMpy的模块化框架,将高级约束模型转换为CP、SMT等多种求解器形式,可跨求解技术对比,优化线性化对ILP/PB求解器关键。
2026-08-18 cs.AI
Circuit-Aware SAT Solving: Guiding CDCL via Conditional Probabilities
针对电路SAT求解中结构信息丢失的问题,提出CASCAD框架,利用图神经网络计算的条件概率引导CDCL的相位选择与子句管理,在LEC基准上实现高达10倍加速及额外23.5%运行时间减少。
2025-08-06 cs.AI
Enhancing SAT solvers with glue variable predictions
Amazon Web Services(亚马逊云科技);University of Pittsburgh(匹兹堡大学)
现代SAT求解器通常在一定规模下运行,这使得为每个分支决策查询神经网络变得不切实际。由Selsam和Bjorner提出的NeuroCore提供了一个概念验证,即神经网络仍然可以通过定期重新聚焦基于分数的分支启发式来加速SAT求解器。然而,这项工作受到了一些限制:他们修改后的求解器需要GPU加速,进一步的消融表明它们并不比SATCOMP 2018基准测试中的随机基线更好,并且他们的非sat核心训练目标需要昂贵的数据管道,只能标记相对容易的无法满足的问题。我们解决了所有这些限制,使用一个更简单的网络架构,允许CPU推理甚至具有数百万个子句的大型工业问题,并训练预测{ \em胶水变量}--一个更容易生成标记数据的目标,也可以制定为强化学习任务。我们通过修改最先进的SAT求解器CaDiCaL,通过监督学习提高其在SATCOMP 2018和SATRACE 2019上的性能,以及通过强化学习提高其在SHA-1原像攻击数据集上的性能,来证明我们方法的有效性。
2020-07-06 cs.AI cs.LG cs.LO
Learning a SAT Solver from Single-Bit Supervision
Stanford University(斯坦福大学);Microsoft Research(微软研究院)
我们提出了NeuroSAT,一个消息传递神经网络,学习解决SAT问题后,只被训练为一个分类器,以预测可满足性。虽然它与最先进的SAT求解器没有竞争力,但NeuroSAT可以通过简单地运行更多的迭代来解决比训练过程中看到的更大、更困难的问题。此外,NeuroSAT还可以推广到新的分布;在仅对随机SAT问题进行训练后,在测试时,它可以解决SAT问题编码图着色,团检测,支配集和顶点覆盖问题,所有这些都是在小随机图上的分布范围内。
2019-03-12 cs.AI cs.LG cs.LO
Learning Splitting Heuristics for Parallel String Solvers
The State Key Laboratory of Blockchain and Data Security, Zhejiang University(浙江大学区块链与数据安全全国重点实验室)
提出数据驱动方法自动生成分裂启发式,将分裂原子选择建模为学习任务,在Z3seq和Z3str4上实现,在求解数量和平均时间上优于手工设计。
2026-06-23 cs.AI cs.SE
Solving the Clustered Traveling Salesman Problem via TSP methods
Fuzhou University(福州大学);Université d’Angers(昂热大学);Huazhong University of Science and Technology(华中科技大学)
旅行商问题(英语:Traveling Salesman Problem,CTSP)是旅行商问题(英语:Traveling Salesman Problem,TSP)的一个变种,在现实生活中有很多应用。在这项工作中,我们探索了一种转换方法,解决了CTSP转换为研究TSP。为此,我们首先研究一种技术,将CTSP实例转换为TSP,然后应用功能强大的TSP求解器(包括精确和启发式求解器)来解决产生的TSP实例。我们想回答以下问题:最先进的TSP求解器如何在从CTSP转换的集群实例上执行?最先进的TSP求解器是否能与专为CTSP设计的最佳性能方法竞争?为此,我们提出了密集的计算实验的各种基准实例得出的结论。
2022-04-14 cs.AI
On Using Unsatisfiability for Solving Maximum Satisfiability
University of Southampton(南安普顿大学)
最大可满足性(MaxSAT)是一个众所周知的优化问题,具有多种实际应用。最广为人知的MAXSAT算法在解决实际应用领域的困难问题时是无效的。最近的工作提出了使用高效的布尔可满足性(SAT)求解器解决MaxSAT问题,识别和消除不可满足的子公式的基础上。然而,这些算法在实践中不能扩展。分析了现有的基于不可满足子式识别的MaxSAT算法。此外,本文提出了一些关键优化这些MaxSAT算法和一个新的替代算法。从实际应用来看,所提出的优化方法和新算法在MaxSAT实例上提供了显着的性能改进。此外,新一代的基于不可满足性的MaxSAT求解器的效率成为有效的索引现代SAT求解器证明不可满足性和识别不可满足子公式的能力。
2007-12-07 cs.AI cs.DS
Exploiting Resolution-based Representations for MaxSAT Solving
INESC-ID;Instituto Superior Técnico, Universidade de Lisboa(里斯本大学高等技术学院);University of Oxford(牛津大学)
最新的MaxSAT算法依赖于对SAT求解器的连续调用,以找到最优解。特别是,一些算法利用SAT求解器的能力来识别不可满足的子公式。通常,这些MaxSAT算法表现得更好,当小的不可满足的子公式被发现早期。然而,在许多问题实例中并非如此,因为在每次调用中,整个公式都被提供给SAT求解器。在本文中,我们提出了分区的MaxSAT公式使用基于分辨率的图形表示。然后,通过使用从公式的图形表示中提取的邻近度量来迭代地连接分区。实验结果表明,该方法进一步提高了MaxSAT求解器的性能,使其能够最优地求解大量工业问题实例。
2015-05-10 cs.AI
Extending Modern SAT Solvers for Enumerating All Models
本文讨论了在合取范式(CNF)中枚举布尔公式的所有模型的问题。我们提出了一个扩展的CDCL为基础的SAT求解器来处理这个基本问题。然后,我们提供了一个实验评估,我们提出的SAT模型枚举算法,从最后的SAT挑战,并从基于SAT的编码的序列挖掘问题的实例上的可满足的SAT实例。
2013-05-06 cs.AI
Google vs IBM: A Constraint Solving Challenge on the Job-Shop Scheduling Problem
Universitaet Klagenfurt(克拉根福大学)
车间作业调度问题是从计算机时代开始至今研究最多的优化问题之一。它的组合性质使得它很容易表示为一个约束满足问题。在本文中,我们比较了两个约束求解器的性能上的作业车间调度问题。有问题的求解器是:OR-Tools,一个由Google开发的开源求解器,最后一个MiniZinc挑战赛的获胜者,以及CP Optimizer,一个针对工业调度问题的专有IBM约束求解器。比较是基于找到的解决方案的优劣和解决问题实例所需的时间。首先,我们从文献中的经典基准,然后我们进行了比较的基准,创建与已知的最佳解决方案,与现实世界的工业问题的规模相当。
2019-09-18 cs.AI cs.PF
SAT Heritage: a community-driven effort for archiving, building and running more than thousand SAT solvers
CRIL;Artois University(阿尔图瓦大学);Univ. Bordeaux(波尔多大学);Bordeaux INP(波尔多国立理工学院);CNRS(法国国家科学研究中心)
SAT研究有着悠久的源代码和二进制版本的历史,这要归功于每年组织的竞赛。然而,由于每个竞争周期都有自己的一套规则和发布源代码和二进制文件的特殊方式,编译甚至运行任何求解器可能比看起来更难。此外,到目前为止,已经有超过一千个求解器发布,其中一些是在90年代初发布的。如果SAT社区想要存档并能够跟踪所有创造历史的求解器,它迫切需要部署一项重要的工作。我们建议发起一个社区驱动的努力,存档并允许轻松编译和运行迄今为止发布的所有SAT求解器。我们依靠最好的工具来归档和构建二进制文件(感谢Docker,GitHub和Zenodo),并为此提供一致且简单的方法。多亏了我们的工具,从源代码(或二进制文件)构建(或运行)求解器可以在一行中完成。
2020-06-02 cs.AI
The Configurable SAT Solver Challenge (CSSC)
University of Freiburg(弗莱堡大学);University of Ulm(乌尔姆大学);University of British Columbia(不列颠哥伦比亚大学)
众所周知,不同的解决策略适用于不同类型的组合难题。因此,大多数命题可满足性问题(SAT)的求解器都暴露了参数,这些参数允许它们针对特定的实例族进行自定义。在国际SAT竞赛系列中,这些参数被忽略:求解器使用给定轨道中所有基准实例的单个默认参数设置(由作者提供)运行。虽然这种竞赛形式奖励具有鲁棒默认设置的求解器,但它并不反映仅关心一个特定应用程序上的性能并且可以投入一些时间来调整该应用程序的求解器参数的从业者所面临的情况。新的可配置SAT求解器竞赛(CSSC)比较了后一种设置中的求解器,通过完全自动化配置步骤后实现的性能对每个求解器进行评分。本文更详细地描述了CSSC,并报告了迄今为止在CSSC 2013和2014两个实例中获得的结果。
2016-08-02 cs.AI cs.LG
SATzilla: Portfolio-based Algorithm Selection for SAT
University of British Columbia(英属哥伦比亚大学)
人们已经广泛观察到,没有单一的“主导”SAT求解器;相反,不同的求解器在不同的实例上表现最好。我们主张根据每个实例在线做出此决定,而不是遵循为给定实例类选择最佳求解器的传统方法。在以前工作的基础上,我们描述了SATzilla,一种自动化方法,用于构建SAT的每个实例算法组合,使用所谓的经验硬度模型来选择其组成求解器。这种方法将问题实例的分布和一组组件求解器作为输入,并构造优化给定目标函数(例如平均运行时间、已解决实例的百分比或竞赛得分)的投资组合。SATzilla的卓越性能在2007年SAT竞赛中得到了独立验证,我们的SATzilla 07求解器赢得了三枚金牌,一枚银牌和一枚铜牌。在本文中,我们通过使组合构建可扩展和完全自动化,并通过集成本地搜索求解器作为候选求解器,通过预测性能得分而不是运行时,以及通过使用考虑不同类型SAT实例的分层硬度模型来改进它,从而远远超出了SATzilla 07。我们证明了这些新技术的有效性,在广泛的实验结果的数据集,包括最近的SAT比赛的实例。
2011-10-31 cs.AI
Fudge: A light-weight solver for abstract argumentation based on SAT reductions
University of Koblenz-Landau(科布伦茨-兰道大学);University of Brescia(布雷西亚大学);University of Huddersfield(哈德斯菲尔德大学)
我们提出了福吉,一个抽象的论证求解器,紧密结合可满足性求解技术来解决一系列抽象的论证问题。虽然福吉使用的大多数编码都来自标准的翻译方法,但福吉使用了全新的编码来解决怀疑推理问题。优选的语义和问题WRT。理想语义学
2021-09-07 cs.AI
ML Supported Predictions for SAT Solvers Performance
Federal Office for Information Security(德国联邦信息安全办公室)
为了对开源SAT求解器CryptoMiniSat在多线程模式下处理难以解决布尔可满足性问题实例时的不确定性终止行为进行分类,收集并分析了内部求解器运行时参数。这些参数的子集已被选择并用作特征向量,以成功地创建机器学习模型,用于对求解器的终止行为进行二进制分类,并对尚未求解的实例进行任何新的求解运行。该模型可用于早期估计的解决尝试属于或不属于类的候选人具有良好的机会快速终止。在这种情况下,运行时特性的活动配置文件的组合似乎反映了求解器的瞬时性能对求解器的解决过程的即时质量的影响。由于前两次求解迭代的运行时参数足以预测成功分数良好的尝试的终止,因此本工作的结果提供了一个有希望的基础,可以进一步开发,以丰富CryptoMiniSat或任何具有AI能力的现代SAT求解器。
2021-12-17 cs.AI cs.CR cs.LG
Predictive Machine Learning of Objective Boundaries for Solving COPs
Simula Research Laboratory(Simula研究院)
求解约束优化问题(COPs)可以通过边界估计来大大简化,即提供成本函数的严格边界。通过向监督机器学习(ML)模型馈送由已知边界和COP的提取特征组成的数据,可以训练模型以估计新COP实例的边界。在本文中,我们首先概述了现有的ML约束编程(CP)知识体系,它从问题实例中学习。其次,我们介绍了一个边界估计框架,作为一种工具,以支持CP求解器。在此框架内,不同的ML模型进行了讨论和评估,其适用性的边界估计,并采取对策,以避免不可行的估计,避免求解器找到一个最佳的解决方案。第三,我们提出了一个实验研究,不同的CP求解器上七个COP。我们的研究结果表明,接近最优的边界可以学习这些COP只有很少的开销。这些估计的边界将目标域的大小减少了60-88%,并且可以帮助求解器在搜索过程中尽早找到接近最优的解决方案。
2021-11-04 cs.AI cs.LG
Online Search Cost Estimation for SAT Solvers
The University of New South Wales(新南威尔士大学);NICTA(澳大利亚国家信息与通信技术研究院)
我们提出了两种不同的方法来估计解决SAT问题的成本。该方法侧重于回溯求解器的在线行为,以及问题的结构。现代SAT求解器提出了几个挑战,估计搜索成本,包括应对非时序回溯,学习和重新启动。我们的第一种方法采用现有的算法来估计搜索树的大小,以应对这些挑战。然后,我们提出了第二种方法,该方法使用在搜索开始时在线收集的数据上训练的线性模型。我们使用随机和结构化问题比较这两种方法的有效性。我们还表明,在早期重新启动的预测可以用来改善以后的预测。我们的结论表明,解决一组问题的成本可以通过选择一个解决方案,从投资组合的基础上,这样的成本估计减少。
2009-07-29 cs.AI
MatSat: a matrix-based differentiable SAT solver
National Institute of Informatics (NII)(国立情报学研究所);Kyoto University(京都大学)
我们提出了一种新的方法来解决SAT问题,解决SAT问题在向量空间中的成本最小化问题的非负可微成本函数J^sat。在我们的方法中,解决方案,即,满足赋值,对于n个变量的SAT问题,由{0,1}^n中的二进制向量u表示,使J^sat(u)为零。我们通过成本最小化在向量空间R^n中搜索这样的u,即,从初始u_0开始,并在通过牛顿方法迭代更新u的同时将J最小化为零。我们实现了我们的方法作为一个基于矩阵的差分SAT求解器MatSat。虽然现有的主流SAT求解器一个接一个地决定解决方案分配的每个比特,无论是冲突驱动子句学习(CDCL)类型还是随机局部搜索(SLS)类型,但MatSat与它们的根本不同之处在于它在向量空间中连续地接近解决方案。我们进行了一个实验来测量MatSat的可扩展性与随机3-SAT问题,其中MatSat可以找到一个解决方案,n=10^5个变量。我们还使用SAT 2018竞赛的随机基准集和人工随机3-SAT实例集,将MatSat与四个最先进的SAT求解器进行了比较,其中包括2018年SAT竞赛和2019年SAT竞赛的获胜者。结果表明,MatSat在两个测试集上都排在第二位,优于所有CDCL类型的求解器。
2021-08-14 cs.AI
Explaining SAT Solving Using Causal Reasoning
National University of Singapore(新加坡国立大学);Chennai Mathematical Institute(金奈数学研究所);IAI, TCG-CREST(TCG-CREST 人工智能研究所)
针对CDCL算法缺乏理论解释、部分场景求解能力存疑的问题,提出CausalSAT方法,通过因果推理构建求解器组件因果图,验证经验法则并解答求解器实现相关问题。
2023-06-09 cs.AI
Constraint Solvers for User Interface Layout
University of Auckland(奥克兰大学)
约束在GUI的构造中扮演着重要的角色,它们主要用于定义小部件的布局。调整大小的行为在GUI中非常重要,因为区域具有特定于域的参数,例如窗口的形状。如果使用线性目标函数并且调整窗口大小,则误差不会均匀分布。为了平均分配误差,引入了二次目标函数。不同的算法被广泛用于解决线性约束和二次问题在各种不同的科学领域。线性规划法、Kaczmarz法、直接法和线性规划法是求解GUI布局线性约束的常用方法。内点法和有效集法是求解二次规划问题最常用的方法。目前的约束求解器设计的GUI布局不使用内点法求解二次目标函数的线性等式和不等式约束。在本文中,性能方面和收敛速度的内点和有效集方法进行了比较,随着一个最常用的线性规划方法时,他们实现了图形用户界面布局。所提出的算法的性能和收敛性进行评估经验使用随机生成的UI布局规格的各种大小。结果表明,内点算法的性能显着优于单纯形法和QOCA-solver,它使用有效集方法实现解决二次优化。
2014-01-06 cs.AI cs.HC
Can $Q$-Learning with Graph Networks Learn a Generalizable Branching Heuristic for a SAT Solver?
University of Oxford(牛津大学);NVIDIA(英伟达)
我们提出了图- $Q$ -SAT,一个分支启发式的布尔SAT求解器训练与基于值的强化学习(RL)使用图神经网络函数逼近。使用Graph- $Q$ -SAT的求解器是完整的SAT求解器,可以提供令人满意的赋值或不可满足性证明,这是许多SAT应用程序所需的。SAT求解器中常用的分支算法在预热期间会做出糟糕的决策,而Graph- $Q$ -SAT则经过训练,可以检查特定问题实例的结构,以便在搜索早期做出更好的决策。训练图- $Q$ -SAT是数据高效的,不需要精心的数据集准备或特征工程。我们训练Graph- $Q$ -SAT使用RL接口与MiniSat求解器,并表明Graph- $Q$ -SAT可以减少2- 3倍的迭代次数来解决SAT问题。此外,它推广到不可满足的SAT实例,以及与5倍以上的变量比它是trainedon. We的问题表明,对于较大的问题,减少迭代次数导致挂钟时间减少,最终目标时,设计算法。我们还显示出积极的zero-shot传输行为时,测试图- $Q$ -SAT的任务家庭不同的训练。虽然需要更多的工作来应用Graph- $Q$ -SAT来减少现代SAT求解设置中的挂钟时间,但这是一个令人信服的概念验证,表明配备图神经网络的RL可以学习SAT搜索的通用分支启发式。
2020-11-25 cs.AI cs.LG
Evaluating SAT Solver Metrics as Predictors of Human-Perceived Nonogram Difficulty
University of Alberta(阿尔伯塔大学);University of Toronto(多伦多大学)
该研究针对Nonogram谜题验证算法求解器工作量与人类感知难度的关联,通过用户研究发现二者无显著关联,且专业知识会调节该关系,同时揭示人类求解偏好与SAT求解器测量的复杂性存在差异。
2026-08-25 cs.AI cs.HC
A Time Leap Challenge for SAT Solving
Linköping University(林雪平大学);Massachusetts Institute of Technology(麻省理工学院);TU Wien(维也纳工业大学)
本文通过将20年前的SAT求解器与新硬件、现代SAT求解器与旧硬件进行交叉对比,发现算法进步对SAT求解的影响至少与硬件进步相当。
2023-07-06 cs.AI cs.AR cs.DS
Can LLM Aid in Solving Constraints with Inductive Definitions?
本文提出一种神经符号方法,利用大语言模型生成辅助引理,提升求解涉及归纳定义的约束的能力,实验表明其在证明任务上的有效性。
2026-03-12 cs.AI cs.LO
Solving Epistemic Logic Programs using Generate-and-Test with Propagation
University of Nebraska Omaha(内布拉斯加大学奥马哈分校);University of Vermont(佛蒙特大学)
本文提出认知逻辑程序的生成-测试求解器通用框架及正确性充分条件,设计带认知后承传播的生成器以指数级减候选、仅线性开销,实现的新求解器在基准上提速3.3倍、多解91%实例。
2024-12-13 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
An approach to visualize the course of solving of a research task in humans
V.P.Astafiev Krasnoyarsk Pedagogical University(V.P.阿斯塔菲耶夫克拉斯诺亚尔斯克师范大学);Research Center of Extreme States of Organism at Krasnoyarsk Scientific Center of RAS(俄罗斯科学院克拉斯诺亚尔斯克中心极端生物状态研究中心)
一种技术来研究解决一个研究任务的动力学。这项研究任务是基于专门开发的软件正确-错误响应器(RWR),参与者必须揭示程序的响应逻辑。参与者以半二元对话的形式与程序互动,这意味着只有两种反馈反应-“正确”或“错误”。该技术已应用于一个小型志愿者试验组。他们中的一些人成功地解决了任务(解决者),而另一些人则没有(非解决者)。在工作开始时,解决者比非解决者做了更多的错误动作,并且他们在接近工作结束时做了更少的错误动作。在求解者和非求解者的工作的一个阶段的画像显示了明确的周期,可能对应于序列的部分真实的假设,可能是制定的参与者在解决任务。
2010-04-26 cs.AI
Abstract Solvers for Computing Cautious Consequences of ASP programs
University of Calabria(卡拉布里亚大学);University of Genoa(热那亚大学);dibris.unige.it(dibris.unige.it(此处为邮箱域名,非机构名,按要求不应提取,实际应为前两个大学))
抽象求解器是一种形式化分析算法的方法,这些算法已被有效地用于描述、比较和组合各种领域的求解技术,例如命题可满足性(SAT)、量化SAT、可满足性模理论、答案集编程(ASP)和约束ASP。在本文中,我们设计,实现和测试新的谨慎推理任务的抽象解决方案,在ASP。我们展示了如何改进目前的抽象求解器谨慎推理ASP借用新技术在SAT骨干计算,以设计新的求解算法。通过这样做,我们也正式表明,在ASP中解决谨慎推理任务的算法是密切相关的计算布尔公式的骨干。我们实现了一些新的解决方案,在ASP求解器WASP,并表明他们的性能是比较先进的解决方案的基准问题,从过去的ASP比赛。正在考虑接受TPLP。
2019-07-22 cs.AI cs.LO
Verifiable Geometry Problem Solving: Solver-Driven Autoformalization and Theorem Proposing
Beijing Normal University(北京师范大学)
提出SD-GPS框架,通过求解器驱动的自动形式化和可验证定理提出,解决几何问题求解中神经符号方法的瓶颈,在Geometry3K和PGPS9K上超越现有方法。
2026-06-29 cs.AI cs.CL cs.CV
A Study of Solving Life-and-Death Problems in Go Using Relevance-Zone Based Solvers
Institute of Information Science, Academia Sinica(学术院信息研究所);School of Informatics, Kochi University of Technology(信息学院, Kochi 工业技术大学);Graduate Degree Program of Robotics, National Yang Ming Chiao Tung University(机器人研究生学位项目, National Yang Ming Chiao Tung 大学);Department of Computer Science, National Yang Ming Chiao Tung University(计算机科学系, National Yang Ming Chiao Tung 大学)
本文研究了基于相关区的求解器在解决围棋生死问题中的表现,发现其在识别关键区域、发现模式及不同答案方面的能力,同时指出了求解器在处理罕见模式和优先级判断上的不足。
2025-12-23 cs.AI
SUNNY: a Lazy Portfolio Approach for Constraint Solving
Department of Computer Science and Engineering/Lab. Focus INRIA University of Bologna(博洛尼亚大学计算机科学与工程系/INRIA Focus实验室)
* 出现在逻辑编程理论与实践(TPLP)中 * 在约束求解的背景下,组合方法允许人们利用不同求解器之间的协同作用,以创建全局更好的求解器。在本文中,我们提出了SUNNY:一个简单而灵活的算法,利用投资组合的约束求解器,以计算-没有学习一个明确的模型-一个时间表,他们解决一个给定的约束满足问题(CSP)。受到SUNNY与其他最先进方法的不同模拟所达到的性能的激励,我们开发了sunny-csp,这是一种有效的投资组合求解器,它利用底层的SUNNY算法来求解给定的CSP。对MiniZinc模型的详尽基准进行的实证测试表明,SUNNY的实际表现符合预测。这对于提高CSP组合求解器的能力以及尝试将它们导出到诸如答案集编程和约束逻辑编程等领域都是令人鼓舞的。
2014-05-13 cs.AI
Discovering heuristics in a complex SAT solver with large language models
School of Data Science, Fudan University, Shanghai, China(复旦大学数据科学学院,上海,中国);Key Laboratory of System Software, Institute of Software, Chinese Academy of Sciences, Beijing, China(中国科学院软件研究所系统软件重点实验室,北京,中国);SeedMath Technology Limited, Beijing, China(SeedMath技术有限公司,北京,中国)
提出AutoModSAT框架,结合模块化求解器设计、无监督提示优化和进化算法,利用LLM自动优化SAT求解器,在多个数据集上性能提升40%。
2026-06-06 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
AutoPDE: Reliable Agentic PDE Solving via Explicitly Represented Solver Strategies
University of Science and Technology of China(中国科学技术大学);Zhejiang University(浙江大学);University of the Chinese Academy of Sciences(中国科学院大学);Tsinghua University(清华大学);Eastern Institute of Technology, Ningbo(宁波东方理工大学)
提出AutoPDE,一种将求解器策略作为显式对象维护的代码智能体,通过PDE分析、数值方法选择和自适应调优三阶段构建策略,在PDE Agent Bench上达到54.5%的通过率,比最强基线提升14.2个百分点。
2026-06-09 cs.AI
SAT-RL: Training Language Models for Logical Reasoning with Symbolic Solvers
University of Toronto(多伦多大学)
本研究提出SAT-RL强化学习框架,训练大型语言模型与Z3等符号求解器交互,通过合成数据、监督预热及工具感知奖励提升逻辑推理性能,在域内外任务均获显著效果。
2026-10-14 cs.AI cs.SC
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
Chronosymbolic Learning: Efficient CHC Solving with Symbolic Reasoning and Inductive Learning
Mila(米拉研究所);McGill University(麦吉尔大学);University of Toronto(多伦多大学)
本文提出Chronosymbolic Learning框架,统一符号信息与数值数据点,结合数据驱动学习器和BMC风格推理器高效求解CHC,在288个基准上超越现有最优求解器。
2024-06-04 cs.AI cs.LG cs.LO
Hindsight is Only 50/50: Unsuitability of MDP based Approximate POMDP Solvers for Multi-resolution Information Gathering
The Robotics Institute, Carnegie Mellon University(卡内基梅隆大学机器人研究所);Carnegie Mellon University(卡内基梅隆大学);The Robotics Institute(机器人研究所)
部分可观测马尔可夫决策过程(POMDPs)提供了一个优雅的框架,在不确定环境中的顺序决策建模。在线求解POMDPs是一个活跃的研究领域,并且考虑到现实世界问题的大小,使用近似求解器。最近,已经提出了一些方法来解决POMDP使用MDP求解器结合模仿学习。基于MDP的POMDP解算器在某些情况下工作良好,而在其他情况下则灾难性地失败。这种求解器的主要故障点是MDP求解器缺乏获取信息的动机,因为在他们的假设下,环境要么已经尽可能多地已知,要么在下一步之后不确定性就会消失。然而,为了解决POMDP问题,获取信息可以导致有效的解决方案。在本文中,我们推导出一组条件,MDP为基础的POMDP求解器是可证明的次优。然后,我们使用著名的老虎问题来证明这种次优。我们表明,多分辨率,预算信息收集不能使用基于MDP的POMDP求解器。本文的贡献有助于确定POMDP问题的属性,使用基于MDP的POMDP求解器是不合适的,从而可以更好地设计选择。
2018-04-07 cs.AI
Turbocharging Solution Concepts: Solving NEs, CEs and CCEs with Neural Equilibrium Solvers
DeepMind(深度思维);UCL(伦敦大学学院)
本文提出神经均衡求解器,利用等变神经网络快速确定地近似求解固定形状博弈中的纳什均衡、相关均衡和粗相关均衡,并支持灵活的均衡选择,展现出对更大博弈的零样本泛化能力。
2023-04-15 cs.AI cs.GT cs.LG
CodePDE: An Inference Framework for LLM-driven PDE Solver Generation
Carnegie Mellon University(卡内基梅隆大学);Flatiron Institute(Flatiron研究院);Polymathic AI(多学科人工智能);Datadog
CodePDE通过大语言模型生成PDE求解器,展示了LLM在复杂数学问题中的强大能力及潜在应用价值。
2026-02-22 cs.AI cs.CL cs.LG
Verb Categorisation for Hindi Word Problem Solving
IIIT-Hyderabad(海得拉巴国际信息技术学院)
针对印地语算术应用题求解任务,该研究构建了基于动词分类的规则式求解器,创建了印地语动词分类数据,并对比了多种动词分类方法的效果。
2023-12-18 cs.AI cs.CL
Problem solving in ID-logic with aggregates: some experiments
在K.U.Leuven的LP+项目的目标是设计一个表达逻辑,适合于声明性知识表示,并开发基于逻辑编程技术的智能系统,用于使用声明性规范解决计算问题。ID逻辑是类型化经典逻辑和定义逻辑的结合。不同的溯因解算器正在开发这种语言。本文是一份报告的集成高阶聚合到ID逻辑和后果的求解器SLDNFA。
2000-03-08 cs.AI
BiNSGPS: Geometry Problem Solving via Bidirectional Neuro-Symbolic Interaction
MAIS, Institute of Automation of Chinese Academy of Sciences(自动化研究所);School of Artificial Intelligence, University of Chinese Academy of Sciences(中国科学院大学人工智能学院)
提出BiNSGPS框架,通过多模态大语言模型顾问与符号求解器之间的双向神经符号交互,动态纠正不一致的形式表示或提出辅助假设,以解决几何问题中的早期错误和符号冲突。
2026-06-03 cs.AI
Solving Math Word Problems by Combining Language Models With Symbolic Solvers
Stanford University(斯坦福大学)
本文提出将 LLM 增量形式化出的变量与方程交给外部符号求解器,在 GSM8K 上媲美 PAL,并在更难的 ALGEBRA 数据集上绝对提升 20%。
2023-04-16 cs.AI cs.CL