ASP-FZN: A Translation-based Constraint Answer Set Solver
本文提出基于翻译的约束回答集求解器asp-fzn,通过将CASP程序翻译为FlatZinc语言支持多种后端求解器,在纯ASP上具竞争力且部分CASP基准上优于clingcon。
2025-09-15 cs.AI
A Multicore Tool for Constraint Solving
University of Bologna(博洛尼亚大学);INRIA(法国国家信息与自动化研究所)
* 出现在IJCAI 2015会议录中 * 在约束编程(CP)中,投资组合求解器使用各种不同的求解器来解决给定的约束满足/优化问题。在本文中,我们将介绍Sunny-CP 2:第一个并行CP组合求解器,使其求解器在多核设置中的动态,合作和同时执行。它集成了最先进的求解器,还提供了一个可用和可配置的框架。实证结果非常有希望。Sunny-CP 2甚至可以胜过Oracle求解器的性能,Oracle求解器总是为给定问题选择组合的最佳求解器。
2015-04-30 cs.AI
Decomposition During Search for Propagation-Based Constraint Solvers
Albert-Ludwigs-University Freiburg(弗莱堡阿尔伯特-路德维希大学);Saarland University(萨尔大学)
我们描述了分解过程中的搜索(DDS),与/或树搜索到基于传播的约束求解器的集成。该搜索算法将约束满足问题的子问题动态分解为独立的部分问题,避免了冗余工作。本文讨论了DDS如何与使基于传播的求解器成功的关键功能相互作用:约束传播,特别是对于全局约束,以及动态搜索算法。我们已经实现了DDS的Gecode约束编程库。两个应用,解决方案计数在图着色和蛋白质结构预测,体现了DDS在实践中的好处。
2008-06-11 cs.AI
Automation of Triangle Ruler-and-Compass Constructions Using Constraint Solvers
Faculty of Mathematics, University of Belgrade(贝尔格莱德大学数学学院)
本文提出用 MiniZinc 有限域约束求解器自动求解三角形尺规作图问题,在 74 个 Wernick 问题上与 ArgoTriCS 对比,证明其实现更省力且常能找到更短作图过程。
2024-01-22 cs.AI
Using machine learning to make constraint solver implementation decisions
University of St Andrews(圣安德鲁斯大学)
解决所谓的约束问题的程序是复杂的软件,它要求实现者或多或少地任意做出许多设计决策。这些决策会显著影响最终求解器的性能。设计决策一旦做出,就不容易逆转,尽管不同的决策可能更适合特定的问题。我们研究使用机器学习,使这些决策自动取决于问题的解决与alldifferent约束为例。我们的系统能够做出重要的、多层次的决策,这些决策比总是做出默认选择要好。
2010-05-19 cs.AI
On Dedicated CDCL Strategies for PB Solvers
Univ. Artois(阿尔图瓦大学);CNRS(法国国家科学研究中心);Centre de Recherche en Informatique de Lens (CRIL)(朗斯计算机科学研究中心);LIX, Laboratoire d’Informatique de l’X, Ecole Polytechnique(巴黎综合理工学院信息科学实验室(LIX))
目前的实现工作在本地PB约束的伪布尔(PB)求解器是基于CDCL架构,赋予高效的现代SAT求解器。特别是,这样的PB求解器不仅实现了(切割平面为基础的)冲突分析程序,但也补充战略的组件,是至关重要的效率的CDCL,即分支算法,学习约束删除和重新启动。然而,这些策略大多数被PB求解器重用,而不考虑它们处理的PB约束的特定形式。在本文中,我们提出并评估了不同的方式来适应CDCL策略,以考虑到PB约束的特殊性,同时保留他们在从句设置的行为。我们在两个不同的求解器中实现了这些策略,即Sat4j(我们考虑三种配置)和RoundingSat。我们的实验表明,这些专用的策略可以提高,有时显着,这些求解器的性能,无论是决策和优化问题。
2021-09-02 cs.AI
Uniform Solution Sampling Using a Constraint Solver As an Oracle
Cornell University(康奈尔大学)
我们考虑从组合空间上的一组硬约束定义的解中采样的问题。我们提出了一种新的采样技术,同时执行统一的探索的搜索空间,利用系统的约束求解器的推理能力在一个黑盒计划。我们提出了一系列具有挑战性的领域,如能量障碍和高度不对称的空间,揭示了硬约束带来的困难。我们证明,标准的方法,如模拟退火和吉布斯采样的影响很大,而我们的新技术可以克服许多这些困难。最后,我们表明,我们的抽样方案自然定义了一个新的近似模型计数技术,我们的经验表明,是非常准确的基准问题的范围。
2012-10-16 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
Modular Constraint Solver Cooperation via Abstract Interpretation
University of Angers(昂热大学);University of Nantes(南特大学)
约束求解器之间的合作是困难的,因为不同的解决范式有不同的理论基础。最近的工作表明,抽象解释可以提供一个统一的理论,各种约束求解。特别是,它依赖于抽象域,将约束语言捕获为有序结构。本文的主要观点是将合作方案看作是抽象域的组合。我们提出了一个模块化的框架,求解器和合作计划可以无缝地添加和组合。这不同于诸如SMT的现有方法,其中协作方案通常是固定的(例如,Nelson-Oppen)。我们贡献了两个新的合作计划:(i)区间传播完成,允许抽象域交换约束,和(ii)延迟产品交换过近似的两个抽象域之间的约束。此外,延迟产品是基于逻辑编程的延迟目标,它表明抽象域也可以捕获约束求解的控制方面。最后,为了实现模块化,我们提出了共享产品结合抽象域和合作计划。我们的方法已经得到充分实施,我们提供了各种灵活的车间作业调度问题的例子。正在考虑接受TPLP。
2020-09-14 cs.AI
IGMaxHS -- An Incremental MaxSAT Solver with Support for XOR Clauses
Hamburg University of Technology (TUHH)(汉堡工业大学(TUHH))
本文提出IGMaxHS,一种支持XOR约束的增量MaxSAT求解器,通过高斯消元与接口扩展实现量子纠错所需的求解能力,并在模糊测试中表现最优,可解码量子颜色码。
2024-10-21 cs.AI
Local-search techniques for propositional logic extended with cardinality constraints
我们研究了局部搜索可满足性求解器扩展的基数原子命题逻辑,也就是说,表达式,提供明确的方式来模型的基数集的约束。将基数原子添加到命题逻辑的语言中有助于对搜索问题进行建模,并且通常会导致简洁的编码。我们提出了两个“本地”本地搜索求解器的理论在扩展语言。我们还描述了技术,以减少问题的标准命题可满足性,并允许我们使用现成的SAT求解器。我们对这些方法进行了实验研究。我们的总体发现是,专门为扩展语言设计的本地求解器比依赖于SAT求解器的间接方法执行得更好。
2003-10-31 cs.AI
Global Difference Constraint Propagation for Constraint Programming
研究如何构建全局差异约束传播器,核心方法是将差异约束同时处理,主要贡献是能显著改进标准传播方法,还展示了如何在惰性子句生成求解器中使用并解释该传播器。
2026-07-23 cs.AI
Fast Set Bounds Propagation Using a BDD-SAT Hybrid
National ICT Australia(澳大利亚国家信息通信技术中心);The University of Melbourne(墨尔本大学);Cadence Design Systems(铿腾电子科技公司)
基于二叉决策图的集合边界传播是求解集合约束满足问题的一种有效方法.然而,现有的基于BDD的技术在搜索期间构造和操纵图的显著开销。我们提出了一个集约束求解器,它结合了BDD为基础的集边界传播与现代SAT求解器的学习能力。再加上一些改进的基本算法,这个求解器是非常有竞争力的现有的传播为基础的集合约束求解器。
2014-01-16 cs.AI
Decentralized Constraint Satisfaction
Hamilton Institute, National University of Ireland Maynooth(爱尔兰国立大学梅努斯分校汉密尔顿研究所);University of Toulouse(图卢兹大学)
我们发现,在无线网络中的几个重要的资源分配问题适合在共同的框架内的约束满足问题(CSP)。这些应用程序的要求,其中变量位于不同的网络设备,可能无法通信,但可能会干扰的启发,我们定义了自然的标准,CSP求解器必须具备,以实用。我们将这些算法称为分散式CSP求解器。最著名的CSP求解器是为集中式问题而设计的,不符合这些标准。我们介绍了一个随机分散CSP求解器,并证明了它会找到一个解决方案,在几乎肯定有限的时间,如果存在,也表明它有许多实际可取的属性。我们基准的算法的性能上的一个良好的研究类的CSP,随机k-SAT,说明该算法需要找到一个令人满意的分配的时间是有竞争力的随机集中式求解器的问题,为了一千个变量,尽管其分散的性质。我们证明了求解器的实际效用的问题,激励它的引入,用它来找到一个非干扰的信道分配从曼哈顿市中心的数据形成的网络。
2012-10-09 cs.AI
Cable Tree Wiring -- Benchmarking Solvers on a Real-World Scheduling Problem with a Variety of Precedence Constraints
电缆树在工业产品中用于在不同产品部件之间传输能量和信息。到目前为止,它们大多由人类组装,只有少数使用复杂机器人机器的自动化制造解决方案存在。对于这些机器,布线图必须转换为机器要遵循的电缆插入操作的布线顺序。在本文中,我们研究和形式化的问题,推导出最佳的布线顺序为一个给定的布局的电缆树。我们总结了我们的调查模型电缆树布线问题(CTW)作为一个旅行推销员的问题,原子,软原子,和析取优先约束,以及旅游相关的边缘成本,使它可以解决国家的最先进的约束规划(CP),优化模理论(OMT),和混合整数规划(MIP)求解器。它进一步表明,如何CTW问题可以被看作是一个软版本的耦合任务调度问题。我们讨论了各种建模变量的问题,证明其NP-硬度,并根据经验比较CP,OMT和MIP求解器的基准集的278个实例。包含所有模型和实例数据的完整基准集可在github上获得,并被纳入MiniZinc挑战2020。
2020-11-25 cs.AI
Propositional Encodings of Acyclicity and Reachability by using Vertex Elimination
Aalto University(阿尔托大学)
我们介绍了新的方法编码的无环性和s-t-可达性约束的命题公式与底层有向图。它们基于顶点消除图,这使得它们适用于底层图稀疏的情况。与求解器与ad hoc约束传播的非循环性和可达性约束,如GraphSAT,我们的方法编码这些约束作为标准的命题子句,使它们直接适用于任何SAT求解器。一项实证研究表明,我们的方法与一个有效的SAT求解器可以优于这些约束的早期编码以及GraphSAT,特别是当底层图形稀疏。
2021-05-27 cs.AI
Using Certifying Constraint Solvers for Generating Step-wise Explanations
针对可解释约束求解中逐步解释计算成本高的问题,本文提出基于约束求解器生成的证明,通过抽象证明框架和裁剪简化技术转换生成逐步解释,在保证解释质量与最优方法相当的同时显著提升生成速度。
2025-11-13 cs.AI
UniCalc.LIN: a linear constraint solver for the UniCalc system
在这篇简短的论文中,我们提出了一个线性约束求解器的UniCalc系统,可靠的解决方案的数学建模问题的环境。
2006-04-10 cs.AI cs.MS
Explaining Time-Table-Edge-Finding Propagation for the Cumulative Resource Constraint
National ICT Australia(澳大利亚国家信息与通信技术研究院);The University of Melbourne(墨尔本大学)
累积资源约束可以模拟调度问题中的稀缺资源或包装和切割问题中的一个维度。为了用约束编程求解器有效地解决这样的问题,重要的是具有用于累积资源约束的强且快速的传播器。一个这样的传播器是最近开发的时间表边缘发现传播器,它认为在边缘发现传播的当前资源配置文件。最近,懒惰条款生成求解器,即约束编程求解器结合nogood学习,已被证明是优秀的解决调度和切割问题。对于此类求解器来说,对传播原因的简洁准确的解释对于强nogood学习至关重要。在本文中,我们开发了第一个解释版本的时间表边缘查找传播和资源受限的项目调度问题,从各种标准的基准套件的初步结果。在标准基准测试套件PSPLib上,我们能够关闭一个开放实例,并提高大约60%的剩余开放实例的下限。此外,其中6起案件已结案。
2012-09-10 cs.AI
Scaling up Hybrid Probabilistic Inference with Logical and Arithmetic Constraints via Message Passing
University of California, Los Angeles(加州大学洛杉矶分校);University of Trento(特伦托大学);Academy of Mathematics and Systems Science, Chinese Academy of Sciences(中国科学院数学与系统科学研究院)
加权模型集成(Weighted Model Integration,简称WIM)是一个非常吸引人的概率推理框架:它允许通过可满足性模理论(Satisfiability Modulo Theories,简称SMT)的语言来表达变量既连续又离散的真实世界问题的复杂依赖关系,以及计算具有复杂逻辑和算术约束的概率查询。然而,现有的非线性规划求解器还没有准备好扩展到这些问题。它们要么完全忽略了问题的内在依赖结构,要么局限于限制性太强的结构。为了缩小这一差距,我们推导出一个因式分解的形式主义,使我们能够设计一个可扩展的基于消息传递,MP-BSSOVER。也就是说,MP-SVM是第一个SVM求解器,它允许:1)对整个树结构的SVM问题进行精确推理; 2)在线性时间内计算所有边缘密度; 3)摊销查询间的推理。实验结果表明,我们的求解器显着优于现有的非线性规划求解器在一个大的基准集。
2020-08-19 cs.AI
Kiwi - A Minimalist CP Solver
UCLouvain(鲁汶大学)
Kiwi是一个极简和可扩展的约束编程(CP)求解器,专为教育设计。Kiwi的特殊性在于其通用的跟踪状态恢复机制和变量的可模块化使用。通过开发Kiwi,作者的目的不是提供一个替代功能齐全的约束求解器,而是为读者提供一个基本的架构,将(希望)帮助他们理解隐藏在约束求解器的引擎盖下的核心机制,开发自己的扩展约束求解器,或测试创新的想法。
2017-05-02 cs.AI cs.SE
On Improving the Backjump Level in PB Solvers
LIX (Laboratoire d’Informatique de l’X), École Polytechnique(巴黎综合理工学院计算机实验室(LIX),巴黎综合理工学院)
当前PB求解器实现了许多受现代SAT求解器的CDCL体系结构启发的技术,从而受益于其实际效率。然而,他们还需要处理这样一个事实,即当考虑PB约束时,这种架构所利用的许多属性不再为真。在本文中,我们专注于这些属性之一,即所谓的第一个唯一蕴涵点(1-UIP)的最优性。虽然这是众所周知的,学习冲突分析过程中产生的第一个断言子句,确保在SAT求解器中执行尽可能高的backjump,我们表明,在PB约束的存在下,没有这样的保证。我们还介绍和评估不同的方法,旨在提高backjump的水平,在冲突分析过程中确定,允许继续分析后,达到1-UIP。我们的实验表明,次优backjumps是相当常见的PB求解器,即使他们的影响求解器是不清楚的。
2021-07-27 cs.AI
Scalable Parallel Numerical Constraint Solver Using Global Load Balancing
Tokyo Institute of Technology(东京工业大学);The University of Tokyo(东京大学);IBM Watson Research Center(IBM沃森研究中心);University College Dublin(都柏林大学学院)
提出了一种求解数值约束满足问题的可扩展并行求解器。我们的并行化方案由同质的工人求解器,其中每一个运行在一个可用的核心,并通过全球负载均衡(GLB)的方法与他人进行通信。并行求解器是用X10实现的,X10提供了GLB的实现作为一个库。在实验中,几个NCSP从文献中解决,并获得高达516倍的加速比使用600个核心的TSUBAME2.5超级计算机。
2015-05-18 cs.AI cs.DC
Implementing Cumulative Functions with Generalized Cumulative Constraints
UCLouvain, ICTEAM and University of Maroua(UCLouvain、ICTEAM和马鲁阿大学)
本文提出使用通用累积约束实现调度问题建模,并引入新型时间表过滤算法以提升求解效率。
2026-09-30 cs.AI
Building a Truly Distributed Constraint Solver with JADE
The Robert Gordon University(罗伯特戈登大学)
现实生活中的问题,如调度会议之间的人在不同的位置可以建模为分布式约束满足问题(CSP)。然后可以使用约束满足算法找到合适的和满意的解决方案,该算法可以是穷举的(回溯)或其他的(局部搜索)。然而,在这一领域的大多数研究测试他们的算法模拟在一台PC上,一个单一的程序入口点。我们的工作的主要贡献是设计和实现了一个真正的分布式约束求解器的基础上,使用Java代理DEFERMEMENT框架(JADE)的本地搜索算法,使不同机器上的代理之间的通信。特别是,我们讨论了真正的分布式约束求解器,这可能不是关键时,在一台机器上模拟的设计和实现问题。评估结果表明,我们真正的分布式约束求解器的工作以及在所观察到的限制,当测试与各种分布式CSP。我们的应用程序也可以采用任何约束求解算法,只需很少的修改。
2015-09-03 cs.AI cs.DC
An Enhanced Features Extractor for a Portfolio of Constraint Solvers
University of Bologna(博洛尼亚大学);INRIA(法国国家信息与自动化研究所)
最近的研究表明,一个任意有效的求解器可以显着优于一个投资组合的可能较慢的平均求解器。求解器的选择通常是通过(非)监督学习技术,利用从问题规范提取的功能。在本文中,我们提出了一个有用的和灵活的框架,能够提取一个广泛的功能集的约束(满意度/优化)可能不同的建模语言定义的问题:MiniZinc,FlatZinc或XCSP。我们还报告了一些实证结果表明,使用这些功能可以获得的性能是有效的,具有竞争力的最先进的CSP投资组合技术。
2014-04-02 cs.AI cs.LG
Constraint solvers: An empirical evaluation of design decisions
本文提出了一种评估的设计决策,在四个国家的最先进的约束求解器; Choco,ECLiPSe,Gecode和奴才。为了评估设计决策的影响,对五个问题类n-Queens、Golomb Ruler、Magic Square、Social Golfers和Balanced Incomplete Block Design的实例进行建模,并使用每个求解器进行求解。实验的结果并不意味着给出求解器的性能的指示,而是调查算法和数据结构的选择有什么影响。设计决策的影响的分析集中在不同的方式的存储管理,行为与不断增加的问题的大小,和特定类型的变量的专门算法。它还简要考虑了其他不太重要的决定。
2010-01-31 cs.AI cs.PF
Rethinking Constraint Awareness for Efficient State Embedding of Neural Routing Solver
College of Computer Science and Software Engineering, Shenzhen University(深圳大学计算机科学与软件工程学院);School of Automation and Intelligent Manufacturing, Southern University of Science and Technology(南方科技大学自动化与智能制造学院);Guangdong Provincial Key Laboratory of Fully Actuated System Control Theory and Technology, Southern University of Science and Technology(广东省全驱动系统控制理论与技术重点实验室,南方科技大学);Pengcheng Laboratory(鹏城实验室)
本文提出CARM模块,通过自适应调节上下文嵌入以增强约束意识,提升神经路由求解器在复杂约束下的性能和扩展性。
2026-05-11 cs.AI cs.LG
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
Testing Global Constraints
UCLouvain(鲁汶天主教大学)
每个约束编程(CP)求解器都暴露了一个用于解决组合问题的约束库。为了有用,CP求解器需要没有bug。因此,求解器的测试对于使开发人员和用户有信心至关重要。我们提出了一个Java库,允许任何基于JVM的求解器来测试各个约束的实现是正确的。该库可以用于在持续集成工具中执行的测试套件中,也可以用于发现违反某些属性(弧一致性等)的最低限度实例,以帮助开发人员使用标准调试器识别问题的根源。
2018-07-11 cs.AI cs.SE
Evaluating SAT and SMT Solvers on Large-Scale Sudoku Puzzles
Amherst College(阿默斯特学院)
本研究通过在自研生成的多难度25x25大规模数独谜题上测试,对比了Z3、CVC5等现代SMT求解器与经典SAT求解器的性能,证实SMT求解器表现更优,展现了其在大规模约束满足问题中的应用价值。
2025-01-15 cs.AI cs.LO
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
Logic.py: Bridging the Gap between LLMs and Constraint Solvers
Meta
提出用大语言模型将搜索问题形式化为Logic.py领域特定语言,再交由约束求解器求解,在ZebraLogicBench上较Llama 3.1 70B基线提升65%,准确率超90%。
2025-02-17 cs.AI cs.LO
MCP-Solver: Integrating Language Models with Constraint Programming Systems
TU Wien(维也纳技术大学)
MCP-Solver通过MCP协议将大型语言模型与符号求解器集成,提供Minizinc、PySAT和Python Z3接口,并采用编辑与迭代验证方法确保模型一致性,从而弥补LLMs在形式化求解与推理上的缺陷。
2025-04-06 cs.AI cs.CL cs.LG
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
ACE: Self-Evolving LLM Coding Framework via Adversarial Unit Test Generation and Preference Optimization
School of Data Science Fudan University(数据科学学院 复旦大学)
本文提出ACE框架,通过基于求解器-对抗架构的执行中心监督,实现自进化代码生成,无需真实代码或外部奖励模型,实验表明其在CodeContests、MBPP和LiveCodeBench上均优于现有求解器-验证器基线。
2026-05-21 cs.AI cs.SE
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
Compositional Diffusion-Based Continuous Constraint Solvers
Massachusetts Institute of Technology(麻省理工学院);Stanford University(斯坦福大学)
本文提出Diffusion-CCSP,一种基于因子图与扩散模型能量组合的连续约束求解器,可泛化至新约束组合,并集成于任务与运动规划器以生成含离散与连续参数的长期规划。
2023-09-02 cs.AI cs.LG cs.RO
Integration of Declarative and Constraint Programming
将一组现有的约束求解器组合成一个集成的协作求解器系统是解决混合约束问题的一个有用和经济的原则。在本文中,我们表明,这种方法也可以用来整合不同的语言范式到一个统一的框架。此外,我们研究的语法,语义和操作的影响,这一想法的合并声明和约束编程。
2006-01-14 cs.AI cs.PL
Learning a Generic Value-Selection Heuristic Inside a Constraint Programming Solver
Polytechnique Montréal(蒙特利尔理工学院);Ecole Polytechnique(巴黎综合理工学院)
针对约束规划中通用值选择启发式稀缺的问题,提出结合深度 Q-learning、定制奖励与异构图神经网络的学习流程,在多类图问题上以较少回溯获得接近最优的解。
2023-10-02 cs.AI cs.LG
A Variant of Concurrent Constraint Programming on GPU
Interdisciplinary Centre for Security, Reliability and Trust (SnT)(安全、可靠性与信任跨学科中心(SnT));University of Luxembourg(卢森堡大学)
如今,图形计算单元(GPU)上的核心数量达到数千个,而处理器的时钟速度停滞不前。不幸的是,约束编程求解器还没有利用GPU并行性。一个原因是约束求解器主要是在顺序计算的心理框架内设计的。为了解决这个问题,我们退一步,并有助于一个简单的,本质上是并行的,无锁和形式上正确的程序设计语言的基础上并发约束编程。然后,我们重新审视并行约束求解的GPU在这种形式主义,并开发涡轮,一个简单的约束求解器完全在GPU上编程。Turbo验证了我们的方法的正确性,并积极比较基于CPU的并行求解器。
2022-07-18 cs.AI cs.DC cs.PL
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
Speeding up SOR Solvers for Constraint-based GUIs with a Warm-Start Strategy
University of Auckland(奥克兰大学)
本文提出通过重用先前解来加速基于Gauss-Seidel算法的约束求解器,实验表明在GUI缩放和约束变更场景中能提升求解效率。
2014-01-06 cs.AI cs.HC cs.NA
Encoding Linear Constraints into SAT
Barcelogic(巴塞罗逻辑公司);Technische Universität Berlin(柏林工业大学);Monash University(莫纳什大学)
线性整数约束是组合问题中最重要的约束之一,因为它们在许多实际应用中是常见的。通常,与SAT模理论(SMT)、惰性子句生成(LCG)或混合整数规划(MIP)求解器相比,对合取范式的布尔可满足性(SAT)格式的编码在具有这些约束的问题中表现不佳。在本文中,我们探讨和分类SAT编码的线性整数约束。我们定义了新的SAT编码的基础上多值决策图,排序网络。我们比较不同的SAT编码的线性约束,并证明其中一个可能是更可取的。我们还比较SAT编码对其他解决方法,并表明他们可以比线性整数(MIP)求解器,有时比LCG或SMT求解器在适当的问题。将新的编码与惰性分解相结合,在运行时只对对发生的求解过程重要的约束进行编码,为许多涉及线性约束的高度组合问题提供了最佳选择。
2020-05-05 cs.AI cs.LO
Learning to Solve Combinatorial Optimization under Positive Linear Constraints via Non-Autoregressive Neural Networks
Shanghai Jiao Tong University(上海交通大学)
本文提出一种非自回归神经网络框架,利用无监督学习和在线可微搜索求解正线性约束下的组合优化问题,在设施选址、最大集合覆盖和旅行商问题中达到与SCIP、Gurobi相竞争甚至更优的性能。
2024-09-06 cs.AI cs.LG
LeanCSP: A Framework for Certifying Constraint Reformulation and Solving in Lean
TU Wien(维也纳技术大学)
本研究在Lean定理证明器中提出LeanCSP框架,可验证约束重构的语义正确性与求解器结果,其已验证对称性破缺能大幅减少求解搜索工作量,且Lean内认证成本可承受。
2026-07-31 cs.AI cs.LO
Scalable Parallel Numerical CSP Solver
Tokyo Institute of Technology(东京工业大学);Japan Science and Technology Agency(日本科学技术振兴机构);IBM Research(IBM研究院)
我们提出了一个并行求解器的数值约束满足问题(NCSP),可以扩展的核心数量。我们提出的方法在可用的内核上运行工人求解器,同时工人合作进行搜索空间分配和平衡。在实验中,我们达到了119倍的加速比,使用256个核心的并行计算机。
2014-11-06 cs.AI cs.DC
Agentic MIP Research: Accelerated Constraint Handler Generation
Zuse Institute Berlin(柏林泽尼茨研究所);Technische Universität Berlin(柏林技术大学)
本文提出一种基于代理的MIP研究框架,通过嵌入LLM代理生成、验证和评估SCIP求解器的插件,加速约束处理程序的开发。该框架在MIPLIB 2017基准上成功恢复了约束编程中的全局约束结构,并生成了可执行的约束检测器和仅传播的约束处理程序。
2026-05-09 cs.AI cs.CL
Integer and Constraint Programming Revisited for Mutually Orthogonal Latin Squares
Carleton University(卡尔顿大学);University of Windsor(温莎大学)
在本文中,我们提供的结果,使用整数规划(IP)和约束规划(CP)搜索相互正交拉丁方(MOLS)的集合。这两种编程范式以前都曾成功地用于搜索MOLS,但近年来IP和CP求解器的求解器有了显着改进,并且缺乏现代IP和CP求解器在MOLS问题上的表现数据。使用最先进的解算器作为黑盒,我们能够快速找到最多10个顺序的MOLS对(或证明它们不存在)。此外,我们制定了一个扩展的对称破缺方法,以及改进的直接CP编码的求解器的有效性。我们还分析了使用CP和IP求解器来搜索三重MOLS的有效性,比较我们的时间与以前发表的那些,并估计使用这种方法来解决长期悬而未决的问题,确定存在的三重MOLS的顺序十的运行时间。
2021-03-19 cs.AI cs.DM math.CO
Solving Quantum-Inspired Perfect Matching Problems via Tutte's Theorem-Based Hybrid Boolean Constraints
Rice University(莱斯大学)
针对量子计算中边着色图的受约束完美匹配问题,提出基于Tutte定理与优化技术的新型混合布尔约束编码,实验证明其扩展性显著优于竞争方法,凸显了设计特定问题编码的必要性。
2023-05-18 cs.AI cs.LO math.CO
Advancing Stochastic 3-SAT Solvers by Dissipating Oversatisfied Constraints
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, Technische Universität Dresden and Würzburg-Dresden Cluster of Excellence ct.qmat(理论物理研究所,德累斯顿技术大学和弗赖贝格-德累斯顿卓越中心ct.qmat)
DOCSAT通过耗散过满足约束,提升随机3-SAT求解器性能,优于WalkSAT和Kissat等算法。
2025-06-18 cond-mat.stat-mech cs.AI cs.DS
On Weakening Strategies for PB Solvers
CRIL;Univ Artois(阿尔图瓦大学);CNRS(法国国家科学研究中心);Institut Universitaire de France(法国大学研究院)
当前的伪布尔解算器实现切割平面证明系统的不同变体,以在冲突分析期间推断新的约束。这些变体之一是广义分辨率,它允许推断强约束,但在组合伪布尔约束时产生的系数增长。另一种变体包括使用弱化和除法,这在实践中更有效,但可能推断出较弱的约束。在这两种情况下,削弱是强制性的,以获得冲突的约束。然而,其对伪布尔解算器性能的影响迄今尚未得到评估。本文研究了该规则的新的应用策略,旨在推断具有小系数的强约束。我们在Sat4j中实现了它们,并观察到它们中的每一个都提高了求解器的运行时间。虽然它们在所有基准上都没有表现得比其他人更好,但在冲突方面应用弱化具有令人惊讶的良好表现,而在冲突和原因方面应用部分弱化和划分则提供了最好的整体结果。
2020-05-09 cs.AI
Rethinking the Soft Conflict Pseudo Boolean Constraint on MaxSAT Local Search Solvers
Huazhong University of Science and Technology(华中科技大学);University of Picardie Jules Verne(皮卡第儒勒-凡尔纳大学)
本文将完备 MaxSAT 求解器中的 SPB 约束引入局部搜索的子句加权机制,并设计自适应权重策略,提出 SPB-MaxSAT,实验表明其性能优异。
2024-01-19 cs.AI
Constraint Answer Set Solver EZCSP and Why Integration Schemas Matter
University of Nebraska at Omaha(内布拉斯加大学奥马哈分校)
答案集编程和约束编程的研究人员在混合语言和求解算法的开发上花费了大量的精力,结合了这些传统上独立领域的优势。这些努力导致了一个新的研究领域:约束答案集编程。约束答案集程序设计语言和系统被证明是成功的,在提供声明,但有效的解决方案,涉及混合推理任务的问题。本文的主要贡献之一是第一次全面考虑的约束答案集语言和求解器EZCSP,这一研究领域的主流代表,已被用于各种成功的应用程序。我们还开发了Nieuwenhuis等人在2006年提出的过渡系统的扩展。捕获布尔可满足性求解器。我们使用这个扩展来描述EZCSP算法,并证明它的正式声明。EZCSP背后的设计和算法细节清楚地表明,这种混合系统的发展是具有挑战性的。当一个人面临各种设计选择时,许多问题出现在试图最大化系统的好处。混合求解器的开发人员所做的关键决策之一是在其实现中确定特定的集成模式。因此,本文的另一个重要贡献是基于EZCSP的深入案例研究,重点是它提供的各种集成模式。逻辑程序设计理论与实践(TPLP)
2017-12-01 cs.AI