Community-based 3-SAT Formulas with a Predefined Solution
Anhui Province Key Laboratory of Software Engineering in Computing and Communication（安徽省计算与通信软件工程重点实验室）；School of Computer Science and Technology（计算机科学与技术学院）；University of Science and Technology of China, China（中国科学技术大学，中国）
对于SAT求解器的测试和开发来说，使用预定义的解决方案生成精心制作的SAT公式是至关重要的，因为现实世界中的许多SAT公式都有解决方案。虽然已经提出了一些生成算法来生成具有预定义解的SAT公式，但是没有考虑SAT公式的社区结构。我们提出了一个3-SAT公式生成算法，不仅保证存在一个预定义的解决方案，但也同时考虑社区结构和子句分布。所提出的3-SAT公式生成算法通过控制（1）其变量具有共同社区的子句的数量（我们称之为社区内子句）和（2）仅属于一个社区的变量的数量（我们称之为社区内变量）来控制社区结构的质量。为了研究社区结构和子句分布对SAT公式硬度的综合影响，我们测量了两个求解器，gluHack（领先的CDCL求解器）和CPSparrow（领先的SLS求解器），在不同的参数设置组下生成的SAT公式的求解运行时间。通过大量的实验，我们得到了一些值得注意的结果：（1）对于CPSparrow，社团结构对SAT公式的硬度影响很小，但对于gluHack，社团结构对SAT公式的硬度影响很大。(2)只有当SAT公式中的真文字在预定义解方面的比例为0.5时，SAT公式对于gluHack是难以求解的;当该比例低于0.5时，SAT公式对于CPSparrow是难以求解的。(3)当子句数与变量数之比约为4.25时，SAT公式对于gluHack和CPSparrow都难以求解。
2019-02-26 cs.AI
Dynamic Blocked Clause Elimination for Projected Model Counting
Univ. Artois（阿图瓦大学）；CNRS（法国国家科学研究中心）；CRIL（CRIL实验室）；IUF（法国大学研究院）；University Freiburg（弗莱堡大学）
针对阻塞子句消去直接用于投影模型计数会改变模型数的问题，提出聚焦投影变量的消去方法与配套数据结构算法，在d4中实现并验证了计算性能提升。
2024-08-12 cs.AI
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
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
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
Generating Difficult SAT Instances by Preventing Triangles
INSIGHT Centre for Data Analytics University College Cork（科克大学INSIGHT数据分析中心（University College Cork）科克大学是爱尔兰的一所公立研究型大学，INSIGHT Centre for Data Analytics是其下属的数据分析研究中心，这里按要求提取到大学/学院级别，所以保留原机构名称。需要注意的是，“University College Cork”作为大学名称，整体是机构的一部分，所以正确的机构提取应该是包含大学名称的完整机构，即“INSIGHT Centre for Data Analytics University College Cork”，其中文翻译应保持机构名称的完整性，“科克大学INSIGHT数据分析中心”。但根据要求，机构粒度到大学/学院/公司/研究院级别即可，所以这里“University College Cork”（科克大学）本身也是一个机构，不过原文本中明确的机构是“INSIGHT Centre for Data Analytics University College Cork”，所以需要完整提取。不过仔细看，原文本中的“Affiliation:”后面跟着的是“INSIGHT Centre for Data Analytics University College Cork Cork, Ireland”，其中“INSIGHT Centre for Data Analytics”是一个中心，“University College Cork”是大学，所以完整的机构应该是“INSIGHT Centre for Data Analytics University College Cork”，即科克大学INSIGHT数据分析中心。所以正确的输出应该是：{）
在为SAT求解器创建基准测试时，我们需要容易构建但难以求解的SAT实例。在寻找这种方法的最新发展导致了平衡SAT算法，它可以创建具有m个高难度子句的k-SAT实例，对于任意k和m。本文介绍了一种基于聚类系数图统计的可满足性实例生成器--非三角形可满足性算法。我们经验比较两个算法固定的arity和变量的数量，但不同的条款的数量。我们发现的最困难的例子是由非三角形SAT产生的。此外，来自非三角形SAT的困难实例具有与来自平衡SAT的困难实例不同的子句数量，潜在地允许两种方法的组合来为更大的参数阵列找到硬SAT实例。
2019-03-08 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
An Experimental Study of Permanently Stored Learned Clauses
Simon Fraser University（西蒙菲莎大学）
现代CDCL SAT求解器能够快速学习子句，一个重要的启发式算法是子句删除方案。大多数当前的求解器都有两个（或更多）子句存储。一个是永远不会删除的“有价值”条款。大多数学习子句被添加到另一个子句中，并使用积极的删除策略来限制其大小。MapleSAT家族中的最新求解器具有相对复杂的删除方案，并且表现良好。许多求解器只永久存储二进制子句，但MapleLCMDistChronoBT永久存储具有小LBD的子句。我们报告了MapleLCMDistChronoBT中永久子句存储的实验研究。我们观察到，这个商店可以得到相当大，但几种方法限制其大小降低性能。我们还表明，备用大小和LBD为基础的标准提高性能，同时仍然有大型永久商店。特别是，将子句的大小保存到8，并添加少量的高中心性子句，这两种方法都提高了性能，使用这两种方法都有最好的改进。
2021-10-27 cs.AI cs.LO
Covered Clause Elimination
TU Delft（代尔夫特理工大学）；Univ. Helsinki（赫尔辛基大学）；JKU Linz（林茨约翰·开普勒大学）
推广[M. Heule，M. Järvisalo和A.比尔CNF公式的子句删除程序。在Proc. LPAR-17，LNCS的第6397卷，第357-371页中。Springer，2010年]，我们介绍了显式（CCE），隐藏（HCCE），和非对称（ACCE）的程序，从CNF公式消除覆盖条款的变种。我们表明，这些程序是更有效地减少CNF公式比各自的变种阻塞子句消除，因此可能是有趣的SAT解决新的预处理/简化技术。
2010-11-23 cs.AI cs.LO
Reset Early, Reset Often, Eliminate Models
University of Cambridge（剑桥大学）
该研究提出SATResetCoP证明器，通过不回溯无成效表、启动新表生成接地子句的方式改进，在TPTP和MPTP2078基准上较leanCoP、SATCoP风格基准取得显著性能提升。
2026-10-14 cs.AI cs.LO
Clause-Learning Algorithms with Many Restarts and Bounded-Width Resolution
Vienna University of Technology（维也纳工业大学）；University of California at Berkeley（加州大学伯克利分校）
我们提供了一个新的理解，一些方面的实际SAT求解器是基于DPLL与单位子句传播，子句学习，并重新启动。我们这样做是通过分析一个具体的算法，我们声称是忠实于实际的求解器做什么。特别是，在做出任何新的决定或重新开始之前，求解器重复应用单位分辨率规则，直到饱和，并且除了一些内部随机性之外，不留下任何组件受非确定性的支配。我们证明了一个可能令人惊讶的事实，即尽管求解器不是为它明确设计的，但在不超过O（n^2k+2）次冲突和重新启动后，它很有可能最终表现为宽度k分辨率，其中n是变量的数量。换句话说，宽度k分辨可以被认为是O（n^2k+2）的单位分辨规则的重新开始。
2014-01-16 cs.AI cs.LO
On the Effect of Learned Clauses on Stochastic Local Search
Ulm University（乌尔姆大学）
在成功的SAT求解器中有两种相互竞争的范式：随机驱动的子句学习（CDCL）和随机局部搜索（SLS）。CDCL系统地探索搜索空间，并具有学习新子句的能力。SLS检查当前完整分配的邻域。与CDCL不同，它缺乏从错误中学习的能力。这项工作围绕着SLS在原始公式中添加新条款是否有益的问题展开。我们的实验表明，条款与大量的正确文字w。R. t.一个固定的解决方案是有益的运行SLS。我们称这种条款为高质量条款。实验结果表明，CDCL学习的短句具有高质量的属性。我们研究了几个领域的随机生成的实例，并推导出最有益的策略，添加高质量的条款作为预处理步骤。在SLS求解器中实现的策略，它表明，这大大提高了国家的最先进的随机生成的实例。结果具有统计学意义。
2020-05-07 cs.AI cs.LO
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
Coalesced Multi-Output Tsetlin Machines with Clause Sharing
Forsta；University of Agder（阿格德大学）
使用有限状态机来学习模式，Tsetlin机器（TM）在几个基准测试中获得了具有竞争力的准确性和学习速度，并且节省了内存和能源。TM将模式表示为命题逻辑（AND规则）中的合取子句，每个子句投票支持或反对特定输出。虽然对于单输出问题是有效的，但对于多输出问题，每个输出需要单独的TM。使用多个TM会阻碍模式重用，因为每个TM都在一个竖井中运行。在本文中，我们引入子句共享，合并多个TM到一个单一的。每个子句通过使用权重与每个输出相关。正权重使子句投票支持输出$1$，而负权重使子句投票支持输出$0$。因此，这些子句合并以产生多个输出。由此产生的合并Tsetlin机（CoTM）同时学习的权重和每个条款的组成，采用交互随机搜索线（SSL）和Tsetlin自动机（TA）的团队。我们对MNIST、Fashion-MNIST和Kuzushiji-MNIST的实证结果表明，CoTM在$50$ - to $1$-K-子句配置上获得了比TM更高的准确性，表明了重新使用子句的能力。例如，在一个示例中，在Fashion-MNIST上，当每个类使用$50$子句（22 Kb内存）时，准确性从$71.99$ %变为$89.66$ %。当每个类使用多个$1$ K子句时，TM和CoTM的准确性相似，而CoTM在具有$8$ K子句的MNIST上更快地达到峰值准确性$3\times$。我们进一步研究对不平衡的训练数据的鲁棒性…
2021-08-17 cs.AI cs.LG
Integrating Conflict Driven Clause Learning to Local Search
Université Lille-Nord de France（里尔北部大学）；CRIL - CNRS UMR 8188（法国国家科学研究中心CRIL UMR 8188）
本文介绍了一种新的命题可满足性混合求解方法SatHyS（SAT混合求解器）。它结合了局部搜索和冲突驱动的小句学习（CDCL）方案。每当局部搜索部分达到局部最小值时，启动CDCL。对于SAT问题，它表现得像一个禁忌列表，而对于UNSAT问题，CDCL部分试图专注于最小不可满足子公式（MUS）。实验结果表明，良好的性能在许多类的SAT实例，从过去的SAT比赛。
2009-10-07 cs.AI
Reducing SAT to Max2XOR
University of Lleida（莱里达大学）；IIIA-CSIC（西班牙国家研究委员会人工智能研究所）
用XOR子句（奇偶约束）表示一些问题可以允许应用更有效的推理技术。在本文中，我们提出了一个小工具，用于将SAT子句转换为Max2XOR约束，即，最多2个变量等于0或1的XOR子句。此外，我们提出了新的决议规则的Max2XOR问题，要求的最大数量的约束，可以满足从一组2XOR方程。
2022-04-04 cs.AI
2-Sat Sub-Clauses and the Hypernodal Structure of the 3-Sat Problem
像简单的图一样，嵌套（超节点）图由两个部分组成：一组节点和一组边，其中每条边连接一对节点。然而，在超节点图模型中，节点可以包含其他图，使得节点可以被包含在它所包含的图中。超节点图模型的固有递归结构恰当地表征了3-sat问题的结构和动态，这是一个广泛适用但棘手的计算机科学问题。在本文中，我首先讨论了3-sat问题的结构，分析了3-sat与2-sat的关系，这是一个相关的，但易于处理的问题。然后，我讨论了子条款和子条款的阈值和子条款到蕴涵图的转换，演示了如何组合的蕴涵图是等同于超节点图。最后，我简要讨论了使用超节点图来模拟3-SAT问题，说明了超节点图如何模拟可满足性条件和特定3-SAT分配成功或失败的过程。
2004-04-20 cs.AI cs.CC
SATViz: Real-Time Visualization of Clausal Proofs
Karlsruhe Institute of Technology (KIT)（卡尔斯鲁厄理工学院）；Institute of Theoretical Informatics（理论信息学研究所）
SATViz是一款采用力导向布局算法、基于变量交互图的可视化工具，可实时可视化SAT实例的子句证明，用于研究SAT实例的社区结构及相关特性。
2026-08-03 cs.AI
A technical note for the 91-clauses SAT resolution with Indirect QAOA based approach
Université Clermont-Auvergne（克莱蒙奥弗涅大学）；Clermont-Auvergne-INP（克莱蒙奥弗涅国立理工学院）；CNRS（法国国家科学研究中心）
本文提出一种基于类QAOA的3-SAT问题求解方法，通过建模解秩构建少门的紧凑量子电路，基于Qiskit的实验验证其可求解含91子句20变量的3-SAT实例。
2024-01-29 cs.AI quant-ph
A novel local search based on variable-focusing for random K-SAT
Aalto University（阿尔托大学）；KTH-Royal Institute of Technology（瑞典皇家理工学院）
我们介绍了一种新的局部搜索算法的可满足性问题。通常的方法都集中在不满足的条款上。新方法的工作原理是在不满足的子句中选择一致随机变量。基于变量的聚焦大都市搜索（V-FMS），然后应用于随机3-SAT。我们表明，它是相当可比的基于子句的FMS的性能。算法设计的后果进行了讨论。
2013-12-12 cond-mat.dis-nn cs.AI
Subsumption-driven clause learning with DPLL+restarts
LIB；Université de Bourgogne（勃艮第大学）
我们建议使用DPLL+重新启动解决SAT实例的基础上生产的条款，subcruise初始条款的连续简化。我们表明，这种方法可以反驳卵石公式在多项式时间和线性空间，有效地与CDCL求解器。
2019-06-18 cs.AI cs.LO
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
Evaluating Robustness of Reasoning Models on Parameterized Logical Problems
CRIL UMR 8188, Univ Artois, CNRS, France（CRIL UMR 8188，阿维尼翁大学，法国国家科学研究中心）
本文提出了一种针对2-SAT的诊断基准，用于评估推理模型在参数化逻辑问题上的鲁棒性，通过隔离不同能力与失败模式，揭示模型在结构干预下的性能变化。
2026-02-13 cs.AI
SATformer: Transformer-Based UNSAT Core Learning
The Chinese University of Hong Kong（香港中文大学）
本研究提出基于Transformer的SATformer方法，通过建模子句交互识别不可满足子问题，结合多任务学习训练，性能显著优于NeuroSAT，还能将现有SAT求解器运行时间平均缩短21.33%。
2024-03-12 cs.AI cs.LG 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
BandMaxSAT: A Local Search MaxSAT Solver with Multi-armed Bandit
Huazhong University of Science and Technology（华中科技大学）；University of Picardie Jules Verne（儒勒·凡尔纳皮卡第大学）；Artificial Intelligence Research Institute (IIIA), CSIC（西班牙国家研究委员会人工智能研究所（IIIA））
我们解决部分MaxSAT（PMS）和加权PMS（WPMS），MaxSAT问题的两个实际推广，并提出了一个局部搜索算法，这些问题，称为BandMaxSAT，适用于多臂强盗模型来指导搜索方向。在我们的方法中的强盗与输入（W）PMS实例中的所有软子句相关联。每个分支对应一个软从句。Bandit模型可以帮助BandMaxSAT选择一个好的方向，通过选择一个软条款，以满足在当前步骤中，即选择一个手臂被拉动，以逃离局部最优。我们进一步提出了一个初始化方法（W）PMS优先单位和二元条款时，产生的初始解决方案。大量的实验表明，BandMaxSAT显着优于最先进的（W）PMS局部搜索算法SATLike3.0。具体而言，BandMaxSAT获得更好结果的实例数量约为SATLike3.0获得的实例数量的两倍。此外，我们将BandMaxSAT与完整的求解器TT-Open-WBO-Inc.由此产生的解算器BandMaxSAT-c的性能也优于一些最先进的完整（W）PMS解算器，包括SATLike-c、Loandra和TT-Open-WBO-Inc。
2022-06-16 cs.AI
Hiding Satisfying Assignments: Two are Better than One
不完全可满足性求解器的评价关键取决于硬可满足实例的可用性。这种情况的一个合理来源是随机k-SAT公式，其子句是从满足某个随机选择的真值分配A的所有子句中均匀选择的。不幸的是，以这种方式生成的实例往往相对容易，并且可以通过实际的算法有效地解决。粗略地说，随着公式密度的增加，对于许多不同的算法，A充当越来越强的吸引子。最近的结果的空间上的几何满足随机k-SAT和NAE-k-SAT公式的真理分配的启发，我们介绍了一个简单的扭曲这个基本模型，这似乎大大增加了它的硬度。也就是说，除了禁止被隐藏赋值A违反的子句外，我们还禁止被它的补语违反的子句，使得A和A的补语都是令人满意的。似乎在这种“对称化”下，两个吸引子的影响在很大程度上抵消了，使得算法更难找到任何真值分配。我们给出了支持这一论断的理论和实验证据。
2005-03-20 cond-mat.dis-nn cond-mat.stat-mech cs.AI
Improved SAT models for NFA learning
LERIA（昂热大学信息学、机器人学与人工智能实验室）；University of Angers（昂热大学）
语法推理是研究从单词中学习自动机和语法的算法。我们专注于从单词样本中学习大小为k的非确定性有限自动机。为此，我们制定了一个SAT模型的问题。生成的SAT实例是巨大的，我们提出了一些模型的改进，无论是在变量的数量，条款的数量，条款的大小。这些改进显著减少了实例，但代价是生成时间更长。因此，我们试图平衡实例大小与生成和求解时间。我们还实现了一些实验比较，我们分析了我们的各种模型的改进。
2021-07-13 cs.AI cs.LO
A Fixed-Parameter Algorithm for Random Instances of Weighted d-CNF Satisfiability
University of British Columbia Okanagan（不列颠哥伦比亚大学奥肯那根分校）
研究了加权$d$ -CNF可满足性问题（加权$d$ -SAT）的随机情形，这是一个一般的W[1]-完全问题.该问题的随机实例由固定参数$k$和随机$d$-CNF公式$\weicnf{n}{p}{k, d}$组成，该公式如下生成：对于$d$变量的每个子集，以概率$p$，从包含至少一个否定字面值的$2^d - 1$子句中均匀随机地选择$d$变量上的子句。我们证明了加权$d$ -SAT的随机实例可以在$O(k^2n + n^{O(1)})$ -时间内以高概率求解，表明在这种实例分布下的加权$d$ -SAT的典型实例是固定参数可处理的。该结果也适用于模型$\weicnf{n}{p}{k,d}(d')$的随机实例，其中禁止包含小于$d' (1 < d' < d)$否定字面值的子句，以及在随机模型的参数$p(n)$的一定范围内的加权$d$-SAT的重整化（小型化）版本的随机实例。这一点，加上我们以前的结果的阈值行为和分辨率复杂性的$\weicnf{n}{p}{k, d}$不可满足的实例，提供了一个几乎完整的表征加权$d$ -SAT的随机实例的典型情况下的行为。
2008-06-28 cs.AI cs.CC cs.DS
Internal Guidance for Satallax
Universität Innsbruck（因斯布鲁克大学）；Czech Technical University in Prague（布拉格捷克理工大学）
我们提出了一个新的内部指导方法的基础上的自动定理证明的给定子句算法。我们的方法影响选择未处理的条款，使用正面和负面的例子，从以前的证明。为此，我们提出了一个有效的方案，朴素贝叶斯分类一般化标签的出现与幺半群结构的类型。这使得有可能扩展现有的快速分类器，它只考虑正面的例子，与负面的。我们实现的方法在高阶逻辑证明Satallax，在那里我们修改的延迟与命题的处理。我们在Flyspeck项目的一个简单类型的高阶逻辑版本上评估了我们的方法，在没有内部指导的情况下，它比Satallax多解决了26%的问题。
2016-05-30 cs.AI cs.LG cs.LO
Targeting Clause Type Distributions: a Picklock for Random Satisfiability Problems
Max Planck Institute for the Physics of Complex Systems（马克斯·普朗克复杂系统物理研究所）；Institute of Theoretical Physics（理论物理研究所）；Technische Universität Dresden（德累斯顿技术大学）；Würzburg-Dresden Cluster of Excellence ctd.qmat（魏玛-德累斯顿卓越中心ctd.qmat）
本文提出Target-SAT算法，通过利用问题中的统计信息，显著提高了随机满足问题在最困难区域的可解规模，并解释了传统局部搜索算法受限于低能量陷阱的原因。
2026-05-19 cond-mat.stat-mech cond-mat.str-el cs.AI
