Efficiently Checking Actual Causality with SAT Solving
Technical University of Munich(慕尼黑工业大学)
最近对因果关系的正式方法已经使这个概念准备好纳入技术世界。然而,因果关系推理在计算上是困难的;并且不存在有效地推断结果的原因的通用算法方法。因此,在复杂、多主体和分布式社会技术系统的背景下检查因果关系是一个重大挑战。因此,我们概念化的智能和新颖的算法方法对检查因果关系的非循环因果模型与二进制变量,利用布尔可满足性问题(SAT)的求解器中的优化能力。我们提出了两个SAT编码,和他们的效率和可扩展性的实证评估。我们表明,因果关系的计算效率在不到5秒的模型,包括超过4000个变量。
2019-04-30 cs.AI cs.CY cs.DS
Online Estimation of SAT Solving Runtime
NICTA(国家信息与通信技术研究院);UNSW(新南威尔士大学)
我们提出了一个在线的方法来估计解决SAT问题的成本。现代SAT求解器提出了几个挑战,估计搜索成本,包括非时序回溯,学习和重新启动。我们的方法使用了一个线性模型,该模型是在搜索开始时收集的数据上训练的。我们使用随机和结构化的问题,这种方法的有效性。我们证明,在早期重新启动的预测,可以用来改善以后的预测。我们还表明,我们可以使用这样的成本估计,从投资组合中选择一个求解器。
2009-03-04 cs.AI
Effectiveness of pre- and inprocessing for CDCL-based SAT solving
Universität zu Köln(科隆大学)
在搜索之前和搜索过程中应用预处理和内处理技术来简化CNF公式可以大大提高现代SAT求解器的性能。这些算法主要旨在减少公式中的子句、文字和变量的数量。然而,为了值得,它们的附加运行时间必须不超过在后续SAT求解器执行期间保存的运行时间。在本文中,我们调查的效率和实用性选择的简化算法的CDCL为基础的SAT求解。我们首先分析他们的CNF公式和SAT解决所有的预期影响。在现实世界和组合SAT实例上测试它们的同时,我们展示了哪些技术和它们的组合产生了理想的加速,哪些应该避免。
2013-10-17 cs.AI cs.LO
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
A Logical Approach to Efficient Max-SAT solving
加权Max-SAT是SAT的优化版本,许多重要问题可以自然编码。求解加权Max-SAT问题是一个重要的理论和实际问题。近年来,有相当大的兴趣,在寻找有效的解决技术。这项工作的大部分集中在良好的质量下限的计算中使用的分支和绑定DPLL类算法。大多数情况下,这些下限是以程序的方式描述的。因此,很难实现后面的{ \em逻辑}。在本文中,我们介绍了一个原始的Max-SAT框架,强调与经典SAT的并行性。然后,我们扩展了两个基本的SAT求解技术:{ \em search}和{ \em inference}。我们表明,许多算法{ \em技巧}中使用的国家的最先进的最大-SAT求解器很容易表达在{ \em逻辑}方面与我们的框架在一个统一的方式。此外,我们引入了一个原始的搜索算法,执行有限数量的{ \em加权分辨率}在每个访问节点。我们经验比较我们的算法与各种解决方案的几个基准。据我们所知,我们的实验构成了有史以来最全面的Max-sat评估报告,表明我们的算法通常比任何竞争对手快几个数量级。
2006-11-06 cs.AI cs.LO
Asynchronous Partial Overlay: A New Algorithm for Solving Distributed Constraint Satisfaction Problems
SRI International(斯坦福国际研究院);University of Massachusetts(马萨诸塞大学)
分布式约束满足(DCSP)一直是多智能体系统研究中的一个重要问题。这是因为许多现实世界的问题可以表示为约束满足,这些问题往往以分布式的形式出现。在这篇文章中,我们提出了一个新的完整的,分布式的算法称为异步部分覆盖(APO)解决DCSP是基于一个合作的调解过程。该算法背后的主要思想是,代理,当作为一个调解人,集中小,相关部分的DCSP,这些集中的子问题重叠,以及代理增加其子问题的大小沿关键路线内的DCSP的问题解决展开。我们提出的经验证据表明,APO优于其他已知的,完整的DCSP技术。
2011-09-27 cs.AI
Solving Rubik's Cube Using SAT Solvers
Donghua University(东华大学)
魔方是一种简单易懂的益智游戏,最初被称为“魔方”。这是一个著名的规划问题,已经研究了很长时间。然而,许多简单的属性仍然未知。本文研究了现代SAT求解器是否适用于这个难题。据我们所知,我们是第一个将魔方转化为SAT问题的人。为了减少编码所需的变量和子句的数量,我们用3个或2个布尔变量的新方法代替了6个布尔变量的朴素方法来表示每个面元上的每种颜色。为了能够快速求解魔方,我们在6型圈的基础上,用18子类型圈的分层编码代替了18圈的直接编码。为了进一步加快求解速度,我们将两阶段算法的一些性质编码为附加约束,并通过添加约束子句来限制某些移动序列。仅使用有效编码无法解决这个难题。为此,我们改进了现有的SAT求解器,并开发了一个新的SAT求解器的基础上PrecoSAT,虽然它是只适用于魔方。新的SAT求解器用ALO(\emph{at-least-one})求解策略取代了前视求解策略,并将原问题分解为多个子问题。每个子问题都由PrecoSAT解决。实验结果表明,我们的SAT翻译和新的解决技术是有效的。如果没有有效的SAT编码和新的求解技术,魔方将无法被任何SAT求解器求解。使用改进的SAT求解器,我们总是可以找到一个解决方案的长度为20在一个合理的时间。虽然我们的求解器比使用查找表的Kociemba算法慢,但不需要庞大的查找表。
2011-05-07 cs.AI
Strategy Synthesis for General Deductive Games Based on SAT Solving
Masaryk University(马萨里克大学)
我们提出了一个通用的框架,用于建模和求解演绎游戏,其中一个玩家选择一个秘密代码和其他玩家努力发现这个代码使用最少数量的允许的实验,揭示了一些部分信息的代码。该框架是实现在一个软件工具眼镜蛇,其功能是通过产生新的结果,现有的演绎游戏证明。
2015-06-19 cs.AI cs.GT
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
A Hybrid APM-CPGSO Approach for Constraint Satisfaction Problem Solving: Application to Remote Sensing
University of Manouba(马努巴大学);National School of Computer Science(国立计算机科学学院);University of Strasbourg(斯特拉斯堡大学);Taibah University(塔伊巴大学);College of Computer Science and Engineering(计算机科学与工程学院)
约束满足问题(CSP)已被积极用于建模和解决广泛的复杂现实世界的问题。然而,已经证明,开发有效的方法来解决CSP,特别是对于大型问题,是非常困难和具有挑战性的。现有的解决问题的完整方法在大多数情况下是不合适的。因此,提出混合CSP为基础的方法来解决问题,在过去的几十年里已经越来越感兴趣。本文旨在提出一种新的方法,结合不完全和完整的CSP方法解决问题。该方法利用组搜索算法(GSO)和约束传播(CP)方法来解决与遥感领域相关的问题。据我们所知,本文代表了第一个研究,提出了一个改进版本的GSO和CP之间的杂交复杂的约束为基础的问题的解决。实验已经进行了卫星图像中的目标识别问题的解决方案。结果表明,在收敛性和运行时间方面的建议CSP为基础的方法相比,现有的国家的最先进的方法表现良好。
2021-06-06 cs.AI
REAS: Combining Numerical Optimization with SAT Solving
MIT(麻省理工学院);UCSD(加州大学圣地亚哥分校);Toyota Research Institute(丰田研究院)
在本文中,我们提出了ReaS,这是一种将数值优化与SAT求解相结合的技术,可以在涉及离散和浮点计算的程序中合成未知数。ReaS通过平滑任何引入不连续性(如条件)的布尔表达式并放松布尔未知数使程序端到端可微,以便可以执行数值优化。最重要的是,ReaS使用SAT求解器来帮助数值搜索通过递增地将值固定到布尔表达式来克服局部解。我们对涉及混合系统的5个案例研究进行了评估,并表明ReaS可以合成以前的SMT方法无法解决的程序。
2018-02-13 cs.AI cs.PL
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
Solving MaxSAT by Successive Calls to a SAT Solver
Cairo University(开罗大学)
最大可满足性(MaxSAT)问题是在合取范式(CNF)中找到使给定布尔公式的满足子句的数目最大化的真值分配的问题。近年来,MaxSAT的许多精确求解器已经开发出来,其中许多都在著名的SAT会议上发表。MaxSAT的算法一般分为两类:(1)分支定界算法和(2)连续调用SAT求解器的算法(基于SAT的),在实际问题中,基于SAT的算法被证明是更有效的。本文提供了一个实验研究,以比较最近的SAT为基础的分支定界算法的MaxSAT评估基准的性能。
2016-03-11 cs.AI cs.CC 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
GaloisSAT: Differentiable Boolean Satisfiability Solving via Finite Field Algebra
University of Maryland(马里兰大学);NVIDIA Research(英伟达研究院);University of Colorado Boulder(科罗拉多大学博尔德分校);University of Michigan(密歇根大学)
本文提出GaloisSAT,一种结合GPU和CPU的新型SAT求解器,利用可微SAT求解引擎和传统CDCL方法,显著提升SAT竞赛指标PAR-2性能。
2026-03-25 cs.AI cs.LO
Thinking Out of the Box: Hybrid SAT Solving by Unconstrained Continuous Optimization
Department of Computer Science, Rice University(计算机科学系,里士大学);Department of Applied Mathematics and Statistics, Colorado School of Mines(应用数学与统计系,科罗拉多矿业学院);Department of Mathematics, University of California, Los Angeles(数学系,加州大学洛杉矶分校)
本文针对混合SAT求解问题,提出基于惩罚项的无约束连续优化公式,并通过理论与实验证明Adam等无约束优化器能有效提升混合基准上的SAT求解性能。
2025-05-31 cs.AI cs.LG cs.LO
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
Aspartame: Solving Constraint Satisfaction Problems with Answer Set Programming
University of Kobe(神户大学);University of Potsdam(波茨坦大学);National Institute of Informatics(国立信息学研究所);Simon Fraser University(西蒙弗雷泽大学);Griffith University(格里菲斯大学)
将有限线性CSP编码为布尔公式并使用现代SAT求解器求解它们已被证明是非常有效的,获奖的糖系统就是一个例子。我们在这里开发了一种基于ASP的替代方法。这使我们能够使用一阶编码,为我们提供了高度的灵活性,便于不同实现的实验。由此产生的系统Escherame重新使用部分糖来解析和规范化CSP。然后将获得的事实集与ASP编码相结合,该编码可以由现成的ASP系统进行接地和解决。我们建立我们的方法的竞争力,通过经验对比甜和糖。
2013-12-20 cs.AI
Solving Minimum Span Antibandwidth and Cyclic Antibandwidth Labeling Problems
VNU University of Engineering and Technology(越南国立大学工程技术大学)
本文提出最小跨度反带宽与循环反带宽标记问题,并开发统一的SAT求解框架,通过并行与增量策略高效求解,实验证明其在解质量上优于CPLEX和Gurobi。
2026-09-18 cs.AI
DPLL(MAPF): an Integration of Multi-Agent Path Finding and SAT Solving Technologies
Czech Technical University in Prague(布拉格捷克理工大学)
在多智能体路径寻找(MAPF)中,任务是为多个智能体从其初始位置到给定的目标位置找到不冲突的路径。MAPF代表了一个经典的人工智能问题,经常解决的搜索。基于搜索的技术的一个重要替代方案是将MAPF编译为不同的形式主义,如布尔可满足性(SAT)。当代SAT为基础的方法,MAPF认为SAT求解器作为一个外部工具,其任务是返回一个布尔模型的输入MAPF的所有决策变量的分配。在这篇短文中,我们提出了一种新的编译方案,称为DPLL(MAPF),其中的一致性检查的部分分配的决策变量相对于MAPF规则是直接集成到SAT求解器。该方案允许更自动化的编译,其中SAT求解器和一致性检查过程同时一起工作以创建布尔模型并搜索其满意的分配。
2021-11-11 cs.AI cs.MA
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
Efficient Incremental Modelling and Solving
University of St Andrews(圣安德鲁斯大学)
在各种情况下,单一的建模和求解阶段要么不足以解决手头的问题,要么不可行。例如,解决人工智能规划问题的标准方法是逐步扩展规划范围,并解决试图找到特定长度的计划的问题。实际上,任何优化问题都可以作为一系列决策问题来解决,其中目标值是递增更新的。另一个例子是约束支配规划(CDP),其中搜索被组织成一系列的水平。这项工作的贡献是使SAT求解器和自动建模系统萨维尔行之间的本地交互,以支持有效的增量建模和求解。这允许在增量步骤之间添加新的决策变量、发布新的约束以及移除现有的约束(通过假设)。建模和求解的本地耦合的两个额外好处是能够在SAT求解器调用之间保留学习信息,并启用SAT假设,进一步提高灵活性和效率。一个优化问题和五个模式挖掘任务的实验表明,建模系统和SAT求解器之间的本地交互不断显着提高性能。
2020-09-23 cs.AI
Constrained Sampling and Counting: Universal Hashing Meets SAT Solving
Rice University(莱斯大学);Indian Institute of Technology, Bombay(印度理工学院孟买分校);University of California, Berkeley(加州大学伯克利分校);IBM Research(IBM研究院);Princeton University(普林斯顿大学)
约束抽样和计数是人工智能中的两个基本问题,具有广泛的应用范围,跨越概率推理和规划到约束随机验证。虽然这些问题的理论在20世纪80年代被彻底研究,但以前的工作要么没有扩展到工业规模的实例,要么放弃了正确性保证以实现可扩展性。最近,我们提出了一种新的方法,它结合了通用哈希和SAT求解,并扩展到具有数十万个变量的公式,而不放弃正确性保证。本文概述了该方法的关键要素,并讨论了处理更大的现实世界实例需要克服的挑战。
2015-12-21 cs.AI cs.LO
Transforming and Encoding FTS for SAT Solving: What Helps, What Hurts (Extended Version)
University of Amsterdam, Institute for Logic Language and Computation(阿姆斯特丹大学,逻辑语言与计算研究所);Aalborg University(奥尔堡大学)
研究如何将因子化任务编码为SAT问题,提出多种编码策略,并分析并行性和任务转换对SAT规划器性能的影响。
2026-05-28 cs.AI
An Empirical Evaluation of Portfolios Approaches for solving CSPs
INRIA(法国国家信息与自动化研究所);University of Bologna(博洛尼亚大学)
最近的研究领域,如SAT求解和非线性规划表明,一个任意有效的求解器的性能可以显着优于一个投资组合的可能较慢的平均求解器。我们报告的实证评估和比较的投资组合方法适用于约束满足问题(CSP)。我们比较了在现成的机器学习算法上开发的模型与SAT领域中使用的方法,并适用于CSP,考虑不同的投资组合规模,并使用解决问题的数量和解决问题所需的时间作为评估指标。结果表明,最好的SAT方法在CSP领域也具有最佳性能,并且比基于分类算法的简单模型更具竞争力。
2014-01-05 cs.AI cs.LG
Effective problem solving using SAT solvers
University of Waterloo(滑铁卢大学);Maplesoft(Maplesoft公司);Wilfrid Laurier University(劳里埃大学)
在这篇文章中,我们将演示如何使用计算机代数系统Maple的内置SAT求解器来解决各种问题和谜题。一旦问题被编码到布尔逻辑中,就可以自动找到解决方案(或显示不存在),而不需要实现任何搜索算法。特别是,我们描述了如何解决$n$ -皇后问题,如何生成和解决数独难题,如何解决像爱因斯坦之谜这样的逻辑难题,如何解决15-难题,如何解决最大集团问题,以及寻找希腊-拉丁方。
2019-09-16 cs.AI cs.LO cs.SC
Solving Constraint Satisfaction Problems through Belief Propagation-guided decimation
Stanford University(斯坦福大学);Università di Roma La Sapienza(罗马第一大学);Ecole Normale(巴黎高等师范学院)
消息传递算法在解决稀疏随机图上的硬约束满足问题上取得了惊人的成功。在这样的应用中,变量被顺序地固定以满足约束。消息传递在每个步骤之后运行。其结果为下一步的选择提供了启发。参照统计物理学中的类似程序,这种方法被称为“抽取”。抽取过程的行为知之甚少。在这里,我们考虑一个简单的随机抽取算法的基础上的信念传播(BP),并分析其行为的随机k-可满足性公式。特别是,我们提出了一个树模型的分析,我们猜想,它提供了渐近准确的预测在大的情况下的限制。数值模拟证实了这一猜想。
2019-06-04 cond-mat.dis-nn cond-mat.stat-mech cs.AI
Solving the capacitated vehicle routing problem with timing windows using rollouts and MAX-SAT
TCS Research(塔塔咨询服务公司研究院);IIT Bombay(印度理工学院孟买分校)
车辆路径问题是一类NP难的组合优化问题。传统的解决方法要么涉及精心设计的算法,要么涉及耗时的元算法。最近的强化学习研究是一种很有前途的替代方法,但发现在解决方案质量方面难以与传统方法竞争。本文提出了一种混合的方法,结合强化学习,政策推出,和一个可满足性求解器,使计算时间和解决方案质量之间的可调权衡。一个流行的公共数据集上的结果表明,该算法能够产生更接近最优水平的解决方案比现有的基于学习的方法,并具有更短的计算时间比元算法。该方法需要最少的设计工作,并且能够解决任意规模的不可见问题,而无需额外的训练。此外,该方法可推广到其他组合优化问题。
2022-06-14 cs.AI
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
Can Transformers Reason Logically? A Study in SAT Solving
University of YYY(YYY大学);Institute of WWW(WWW研究院)
本文通过理论构造与实证训练,研究仅解码器Transformer在3-SAT求解中的逻辑推理能力,证明其可通过思维链进行回溯与演绎,并发现训练模型分布外泛化强但长度泛化有限。
2025-02-08 cs.AI cs.LG cs.LO
Solving Set Constraint Satisfaction Problems using ROBDDs
The University of Melbourne(墨尔本大学);NICTA(澳大利亚国家信息与通信技术研究院)
在本文中,我们提出了一种新的方法来建模有限集域约束问题,使用简化有序二叉决策图(ROBDDs)。我们表明,它是可能的,以构建一个有效的集域传播competencies表示许多集域和集约束使用ROBDD。我们证明,基于ROBDD的方法提供了前所未有的灵活性,在建模约束满足的问题,导致性能的提高。我们还表明,基于ROBDD的建模方法可以扩展到整数和多集约束问题的建模,在一个简单的方式。由于域传播并不总是实用的,我们还展示了如何将不太严格的一致性概念到ROBDD框架,如设置界限,基数界限和字典界限的一致性。最后,我们提出的实验结果表明,基于ROBDD的求解器比各种更传统的约束求解器在几个标准集约束问题上的表现更好。
2011-09-09 cs.AI
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
Accelerating Floating-Point Satisfiability Solving via Gradient Normalization
针对浮点SMT求解中梯度支配导致的局部最优问题,提出GradSAT框架,将每个子句视为多任务学习任务,通过动态梯度归一化平衡梯度,结合GPU加速连续松弛与位精确局部搜索,实现稳健高效的求解。
2026-10-08 cs.AI cs.LG
Solving Satisfiability Modulo Counting Exactly with Probabilistic Circuits
Department of Computer Science, Purdue University, IN, USA(计算机科学系,普渡大学)
本文提出KOCO-SMC,一种集成的精确模计数可满足性求解器,通过跟踪上下界和部分变量赋值实现早期估计,显著提升求解效率。
2025-06-17 cs.AI cs.LO
Solving the Course-timetabling Problem of Cairo University Using Max-SAT
Cairo University(开罗大学)
由于现有的SAT(satisfiability)和Max-SAT(maximum satisfiability)求解器具有良好的性能,许多实际的优化问题如调度问题都可以通过将其编码成Max-SAT来求解。在本文中,我们解决了开罗大学数学系的课程编排问题,编码成Max-SAT。手工生成部门的时间表已被证明是繁琐的,生成的时间表几乎总是包含冲突。我们展示了如何约束可以建模为一个最大SAT实例。
2018-02-11 cs.AI
Addressing Variable Dependency in GNN-based SAT Solving
Hong Kong University of Science and Technology(Guangzhou)(香港科技大学(广州));The Chinese University of Hong Kong(香港中文大学);Peking University(北京大学)
本文针对基于GNN的SAT求解器因忽略变量依赖而导致对称问题求解失败的问题,提出融合循环神经网络的AsymSAT架构,通过依赖预测显著提升了大规模测试集上的求解数量。
2023-04-18 cs.AI
Makespan Optimal Solving of Cooperative Path-Finding via Reductions to Propositional Satisfiability
National Institute of Advanced Industrial Science and Technology (AIST)(产业技术综合研究所);Charles University(查理大学)
研究了协同寻路的最大完工时间最优解问题。CPF中的任务是以非冲突的方式重新定位一组代理,以便每个代理最终从给定的初始位置到达其目标位置。在这项工作中采用的抽象假设,代理人是离散的项目在一个无向图中遍历边缘移动。CPF的Makespan最优解是指生成的解在执行解所需的总时间步数方面尽可能短。我们发现,减少CPF命题可满足性(SAT)是一个可行的选择,获得最大完工时间的最优解。CPF到命题公式的几种编码的建议和实验评估。评估表明,SAT基于CPF求解优于其他最大完工时间优化方法显着在高度约束的情况下(密集占用代理的环境)。
2016-10-18 cs.AI
Boolean Equi-propagation for Optimized SAT Encoding
Ben Gurion University of the Negev(本古里安大学);Cadence Design Systems(楷登电子设计系统公司);The University of Melbourne(墨尔本大学)
我们提出了一种基于传播的解决方法,布尔等传播,其中的约束建模为传播布尔文字之间的平等的信息。基于传播的求解将此信息作为部分评估的形式应用,从而得到优化的SAT编码。我们证明了各种基准测试,我们的方法在较小的CNF编码的结果,并导致加快解决时间。
2011-04-24 cs.AI cs.DS cs.LO
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
A novel approach of solving the CNF-SAT problem
本文讨论了CNF-SAT问题(NP-Complete problem),分析了两种解决该问题的方法:PL-Resolution算法和WalkSAT算法。PL-归结是一个可靠的、完备的算法,可以用来确定可满足性和不可满足性。如果WalkSAT找到了一个模型,它可以确定可满足性,但即使存在模型,它也不能保证找到一个模型。然而,WalkSAT比PL-Resolution快得多,这使得WalkSAT更实用;并且我们分析了这两种算法的性能,如果问题不是很难,WalkSAT的性能是可以接受的。
2013-07-24 cs.AI cs.LO
Solving the Satisfiability Problem Through Boolean Networks
DEIS, Alma Mater Studiorum Università di Bologna(博洛尼亚大学阿尔马 mater 研究部 DEIS(注:此处保留原文机构缩写与名称,DEIS 为该大学的工程与计算机科学相关学院部门,常见译名为 DEIS,隶属于博洛尼亚大学))
在本文中,我们提出了一种新的方法来解决可满足性问题(SAT),基于布尔网络(BN)。我们定义了一个映射之间的SAT实例和BN,我们解决SAT问题,通过模拟BN的动态。我们证明了BN不动点对应于SAT解。提出的映射允许开发一类新的算法来解决SAT。此外,这种新的方法提出了新的方法来结合符号和连接计算,并提供了一个通用的框架,局部搜索算法。
2011-01-31 cs.AI cs.NE nlin.CG
diff-SAT -- A Software for Sampling and Probabilistic Reasoning for SAT and Answer Set Programming
National University of Ireland, Galway(爱尔兰国立高威大学)
本文介绍了diff-SAT,一个答案集和SAT求解器,它结合了经常使用概率条款,事实和规则的能力,解决和采样的最佳世界观(满足布尔变量分配或答案集的多集)受用户提供的概率约束。采样过程使用称为可微可满足性求解($\partial\mathrm{SAT}$)或可微答案集编程($\partial\mathrm{ASP}$)的基于梯度下降的优化方法来最小化用户定义的可微目标函数。用例是i.a.概率逻辑编程(以概率答案集编程的形式),概率布尔可满足性求解(PSAT)和模型多集(答案集或布尔解释)的分布感知采样。
2021-01-03 cs.AI cs.LO
NeuroBack: Improving CDCL SAT Solving using Graph Neural Networks
The University of Texas at Austin(德克萨斯大学奥斯汀分校)
本文提出 NeuroBack,通过离线 GNN 一次性预测变量相位并增强 Kissat,仅用 CPU 即可在 SATCOMP-2022/2023 上分别多求解 5.2% 和 7.4% 的问题。
2024-05-08 cs.AI cs.LG
Solving Highly Constrained Search Problems with Quantum Computers
Xerox Palo Alto Research Center(施乐帕洛阿尔托研究中心)
将一种单步的求解1-SAT问题的量子搜索算法推广到一系列高约束的k-SAT问题。我们确定了一个约束条件的可满足性问题,广义算法可以找到一个解决方案,在一个常数的步骤,作为变量的数量增加的条款的数量。这种性能与最好的经典算法所需的步骤数的线性增长以及忽略问题结构的经典和量子方法所需的指数增长形成对比。在某些情况下,该算法还可以保证无法解决的问题实际上没有解决方案,这与以前提出的量子搜索算法不同。
2011-05-27 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
Finding Optimal Solutions to Token Swapping by Conflict-based Search and Reduction to SAT
Czech Technical University in Prague(布拉格捷克理工大学);Faculty of Information Technology(信息技术学院)
在这篇简短的论文中,我们研究了解决令牌交换(TSWAP)问题的实用方法。在TSWAP中,我们给出了一个具有着色顶点的无向图。在每个顶点中放置一个彩色标记。一对标记可以在相邻顶点之间交换。我们的目标是执行一系列交换,以便令牌和顶点颜色在整个图中保持一致。在问题的优化变体中需要最小数量的交换。我们观察到TSWAP问题和多智能体路径查找(MAPF)之间的相似性,而不是令牌,我们有多个代理,需要从当前顶点移动到给定的唯一目标顶点。这两个问题之间的区别在于状态转换(交换/移动)必须满足的局部条件。通过对MAPF-CBS和MDD-SAT两种不同的方法进行改进,我们提出了两种求解TSWAP最优解的算法.这是首次尝试设计TSWAP的最优求解算法。对各种类型图的实验评价表明,在最优TSWAP求解中,SAT尺度的约简优于CBS。
2018-06-25 cs.AI
New worst upper bound for #SAT
College of Computer Science and Technology, Jilin University(吉林大学计算机科学与技术学院);College of Computer, Northeast Normal University(东北师范大学计算机学院)
文献中已经提出了对#SAT算法的严格理论分析。如我们所知,以前求解#SAT的算法仅将变量的数量作为参数进行了分析。然而,求解#SAT实例的时间复杂度不仅取决于变量的数量,还取决于子句的数量。因此,从另一个角度,即子句的数量,来利用时间复杂度是有意义的。在本文中,我们提出了算法求解#2-SAT和#3-SAT严格的复杂性分析,使用条款的数量作为参数。通过对算法的分析,我们得到了新的最坏情况上界:2-SAT为O(1.1892m),3-SAT为O(1.4142m),其中m为子句数。
2010-06-08 cs.AI cs.CC
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