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
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
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
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
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
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
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
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
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
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 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
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
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
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 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
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
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
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
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
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
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
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
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
Manyopt: An Extensible Tool for Mixed, Non-Linear Optimization Through SMT Solving
Imperial College London(帝国理工学院)
混合非线性规划(MINLP)的优化支持化学过程工程等应用中的重要决策。但目前的求解器具有有限的能力,演绎推理或使用特定领域的理论,和完整性约束的管理还没有利用自动推理工具,如SMT求解器。这似乎限制了这些工具在实践中的可扩展性和范围。因此,我们提出了一个工具,ManyOpt,MINLP优化,使实验减少技术转换的MINLP问题的可行性检查实现的SMT求解器。ManyOpt类似于SAT求解器ManySAT,因为它并行运行指定数量的此类约简技术,以获得给定MINLP问题的最强结果。该工具是分层实现的,我们可以将其视为特征,其中约简技术是特征向量。这些特征中的一些特征受到已知MINLP技术的启发,而另一些特征是新颖的并且特定于SMT。我们在标准基准上的实验结果证明了这种方法的好处。该工具支持各种SMT求解器,并且由于其分层结构,可以轻松扩展新功能。例如,很容易添加用于演绎推理的逻辑公式,以进一步约束感兴趣的MINLP问题的优化。
2017-02-04 cs.AI cs.MS
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
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
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
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
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
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
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
Neural Network Learner for Minesweeper
Loughborough University(拉夫堡大学)
扫雷是一个有趣的单人游戏的基础上逻辑,记忆和猜测。解决扫雷问题已经被证明是一个NP难的任务。确定性求解器是最著名的解决扫雷的方法。本计画提出一个以神经网络为基础的学习器来解决扫雷问题。为了选择最好的学习者,不同的神经网络架构和配置在数十万场比赛中进行训练。令人惊讶的是,所提出的神经网络为基础的学习者已被证明是一个非常好的近似函数解决扫雷。神经网络学习者与CSP求解器竞争得很好,特别是在游戏的初级和中级模式中。还观察到,尽管成功率很高,但最好的神经学习器比最好的确定性求解器慢得多。本报告还讨论了在为扫雷舰创建非常成功的神经网络时所面临的开销和限制。
2022-11-30 cs.AI
Exploiting Configurations of MaxSAT Solvers
University of Lleida(莱里达大学)
该研究探索MaxSAT求解器的参数配置利用方法,提出通过组合非竞争力求解器的配置得到更优求解方案,并通过实验验证了该思路的有效性。
2023-06-13 cs.AI
FGeo-TP: A Language Model-Enhanced Solver for Geometry Problems
School of Computer Engineering and Science, Shanghai University(上海大学计算机工程与科学学院);Institute of Artificial Intelligence, Shanghai University(上海大学人工智能研究院)
本文提出FGeo-TP,利用Transformer语言模型预测几何定理序列以优化FGPS求解器的搜索剪枝,将FormalGeo7k数据集上的解题率从39.7%提升至80.86%,并显著减少求解时间与搜索步骤。
2024-02-14 cs.AI
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
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
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
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
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
A Solver-in-the-Loop Framework for Improving LLMs on Answer Set Programming for Logic Puzzle Solving
本文提出了一种求解器循环框架,通过引导求解器进行指令微调,提升LLM在Answer Set Programming中生成逻辑谜题解答的性能。
2025-12-18 cs.AI cs.CL
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
Unbiased Math Word Problems Benchmark for Mitigating Solving Bias
Shenzhen Campus of Sun Yat-sen University(中山大学深圳校区);Sun Yat-sen University(中山大学);Dark Matter AI Inc.(暗物质人工智能公司)
在本文中,我们重新审视了当前数学应用题(MWP)基准评估模型时的解决偏差。然而,现有的求解器存在求解偏差,包括数据偏差和学习偏差,这是由于有偏见的数据集和不适当的训练策略。我们的实验验证了MWP求解器很容易被有偏见的训练数据集所偏见,这些训练数据集不涵盖所有MWP的每个问题叙述的不同问题,因此求解器只能学习浅层语义而不是深层语义来理解问题。此外,MWP可以通过多个等价方程自然求解,而当前数据集仅将其中一个等价方程作为地面真值,迫使模型匹配标记的地面真值,而忽略其他等价方程。在这里,我们首先介绍了一个新的MWP数据集,名为UnbiasedMWP,它是通过改变我们收集的数据中的接地表达式,并手动用相应的多个新问题注释它们而构建的。然后,为了进一步减轻学习偏差,我们提出了一种动态目标选择(DynamicTargetSelection,简称DTS)策略,该策略根据当前模型输出与候选等价方程之间的最长前缀匹配来动态选择更合适的目标表达式,该候选等价方程是在训练过程中应用交换律获得的。结果表明,我们的UnbiasedMWP比原始数据和其他数据集具有更少的偏差,为公平评估求解器的推理技能而不是匹配最近邻提供了一个有希望的基准。使用我们的BMPs训练的求解器在多个MWP基准测试中实现了更高的精度。源代码可在https://github.com/yangzhch6/UnbiasedMWP上获得。
2022-05-17 cs.AI cs.CL
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
LP2PB: Translating Answer Set Programs into Pseudo-Boolean Theories
Vrije Universiteit Brussel(布鲁塞尔自由大学)
回答集编程(ASP)是一种成熟的知识表示形式。大多数ASP求解器都是基于布尔可满足性求解技术的(扩展)。虽然这些求解器在许多实际应用中非常成功,但它们的强度受到其底层证明系统分辨率的限制。在本文中,我们提出了一个新的工具LP2PB,ASP程序转换为伪布尔理论,求解器的基础上(更强)切割平面证明系统存在。我们评估我们的工具,和潜在的切割平面为基础的解决ASP对传统的ASP基准以及基准从伪布尔求解。我们的结果好坏参半:总的来说,传统的ASP求解器仍然优于我们的翻译方法,但几个基准家庭被确定的平衡转移的其他方式,从而表明,进一步调查到一个更强大的证明系统的ASP是有价值的。
2020-09-22 cs.AI cs.LO
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
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
AttNS: Attention-Inspired Numerical Solving For Limited Data Scenarios
Sun Yat-sen University(中山大学);Peng Cheng Laboratory(鹏城实验室);Northwestern University(西北大学)
本文提出注意力启发式数值求解器AttNS,将注意力机制融入微分方程数值方法设计,在有限数据下提升多种求解器的泛化性与鲁棒性,并有效抑制数值爆炸。
2025-02-05 cs.AI cs.LG cs.NA
HNS: An Efficient Hermite Neural Solver for Solving Time-Fractional Partial Differential Equations
Shanghai University(上海大学)
针对基于L1插值的神经网络求解器精度受限问题,提出融合高阶Hermite插值显式格式与深度神经网络的HNS,在正、反问题及高维场景下精度更优,实现两类方法优势互补。
2023-10-07 cs.AI cs.LG cs.NA
Learning to Reformulate for Linear Programming
MIRA Lab, USTC(中国科学技术大学 MIRA 实验室);Huawei Cloud Co.(华为云计算技术有限公司)
实践证明,线性规划(LP)能够描述现实生活中的许多最优化问题,借助OptVerse、Guidelines和CPLEX等相应的求解器可以得到最优解。在过去的几十年里,人们提出了一系列传统的运筹学算法,以在较少的求解时间内获得给定线性规划的最优解。最近,有一种趋势是使用机器学习(ML)技术来提高上述求解器的性能。然而,几乎没有以前的工作利用ML技术从前端提高求解器的性能,即,建模(或公式化)。在本文中,我们首次提出了一种基于强化学习的线性规划重构方法,以提高求解过程的性能。使用一个开源的求解器COIN-OR LP(CLP)作为环境,我们实现了所提出的方法在两个公共研究LP数据集和一个大规模的LP数据集收集从实际的生产计划方案。评价结果表明,与直接求解原始LP实例相比,该方法能有效地减少求解迭代次数($25\%\downarrow$)和求解时间($15\%\downarrow$).
2022-01-17 cs.AI cs.LG math.OC
Solving the Workflow Satisfiability Problem using General Purpose Solvers
University of Nottingham(诺丁汉大学);Royal Holloway, University of London(伦敦大学皇家霍洛威学院)
工作流可满足性问题(WSP)是访问控制中的一个重要问题,它在工作流规范的约束下,寻求授权用户在工作流每一步的分配。注意到步骤的数量$k$与WSP的真实世界实例中的用户数量相比通常是小的;因此$k$被认为是WSP参数化复杂度研究中的参数。虽然WSP一般被证明是W[1]-hard的,但WSP仅限于用户无关(UI)约束的特殊情况,是固定参数易处理(FPT)的。然而,对UI约束的限制可能不切实际。为了有效地处理非UI约束,我们引入了约束的分支因子的概念。只要约束的分支因子相对较小,非UI约束的数量合理,WSP可以在FPT时间内求解。扩展Karapetyan等人的结果。(2019),我们证明了通用求解器在使用适当的公式时,能够在具有任意约束的WSP上实现类似FPT的性能。这使得人们能够处理大多数实际的WSP实例。虽然这一结果本身很重要,但我们希望这一结果也能激励研究人员寻找其他FPT问题的FPT感知公式。
2022-09-17 cs.AI cs.CC cs.CR