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
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
MG-Net: Learn to Customize QAOA with Circuit Depth Awareness
University of Sydney(悉尼大学);Wuhan University(武汉大学);Nanyang Technological University(南洋理工大学)
针对QAOA电路深度受限的困境,提出深度学习框架MG-Net,通过分析收敛行为动态生成适配任务与深度的最优混合器哈密顿量,在伊辛模型和加权Max-Cut上验证了其近似比与效率优势。
2024-09-27 cs.AI cs.LG quant-ph
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
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
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
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 Deep Dive into Conflict Generating Decisions
Department of Computing Science, University of Alberta(阿尔伯塔大学计算机科学系)
布尔可满足性(SAT)是一个著名的NP完全问题。尽管这种理论上的困难,SAT求解器基于冲突驱动子句学习(CDCL)可以解决大型SAT实例从许多重要的领域。CDCL从冲突中学习子句,这是一种允许求解器修剪其搜索空间的技术。CDCL中的选择算法优先考虑最近冲突中涉及的变量。虽然只有一小部分决策会产生冲突,但许多决策会产生多个冲突。在本文中,我们详细研究了CDCL中的冲突生成决策。我们调查的影响,单冲突(SC)的决定,只产生一个冲突,和多冲突(MC)的决定,产生两个或更多。我们经验性地描述了这两种类型的决定的基础上,每种类型的决定所产生的学习条款的质量。我们还显示了一个重要的连接在同一MC决策,其中一个学习的子句触发下一个形成一个链的子句的学习连续的子句之间的学习。这导致考虑冲突之间的相似性,为此,我们制定了conflictsproximity的概念作为一个相似性度量。我们发现,在mc决策的冲突更密切相关的连续冲突产生的SC决定。最后,我们开发了共同原因变量减少(CRVR)作为一种新的决策策略,减少了一些变量的选择优先级从学习条款的MC决策。我们在三个领先的求解器中实施的CRVR的实证评估显示了SAT竞赛-2020主赛道基准测试的性能提升。
2021-05-10 cs.AI
Clause/Term Resolution and Learning in the Evaluation of Quantified Boolean Formulas
归结是自动推理的大多数过程的基础上的推理规则。在这些过程中,输入公式首先被翻译成合取范式(CNF)的等价公式,然后表示为一组子句。演绎从通过归结推理新子句开始,并且继续直到生成空子句或证明子句集合的可满足性,例如,因为不能生成新子句。在本文中,我们限制我们的注意力的问题,评估量化布尔公式(QBFs)。在这种情况下,如果给出CNF中的公式,并且如果使用称为Q-分辨率的分辨率形式,则已知上述推导过程是合理和完整的。我们引入了项的Q-归结,用于析取范式中的公式。我们表明,大多数可用的QBF程序-基于Davis-Logemann-Loveland程序(DLL)的命题可满足性-对应于一棵树,其中Q-决议的条款和条款交替的计算。这构成了引入学习的理论基础,对应于记录与树的节点相关联的Q-分辨率公式。我们讨论了相关的问题,在DLL为基础的程序中引入学习,并提出了解决方案,扩展国家的最先进的建议来自文献的命题可满足性。最后,我们表明,我们的DLL为基础的求解器扩展与学习,在2003年QBF求解器的比较评估中使用的基准上表现明显更好。
2011-09-26 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
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
Towards Learned Clauses Database Reduction Strategies Based on Dominance Relationship
Clermont Auvergne University(克莱蒙奥弗涅大学);CNRS(法国国家科学研究中心)
子句学习是冲突驱动子句学习(CDCL)SAT求解器的重要组成部分之一,在工业实例中非常有效。由于在最坏的情况下,学习子句的数量被证明是指数的,所以有必要识别最相关的子句来保持和删除不相关的子句。据文献报道,已经提出了几种学习子句删除策略。然而,在每个缩减步骤中要删除的子句的数量以及使用每个策略获得的结果的多样性造成了确定哪个标准更好的混乱。因此,在搜索步骤期间选择要移除哪些学习子句的问题仍然非常具有挑战性。在本文中,我们提出了一种新的方法来确定最相关的学习条款,而不赞成或排除任何建议的措施,但通过采用这些措施之间的优势关系的概念。我们的方法绕过了结果多样性的问题,并在对这些措施的评估之间达成了妥协。此外,所提出的方法还避免了另一个非平凡的问题,这是在学习子句数据库的每次减少要删除的子句的量。
2017-05-31 cs.AI
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
Towards Understanding and Harnessing the Potential of Clause Learning
University of Washington(华盛顿大学)
添加子句学习的DPLL的有效实现是最快的完整布尔可满足性求解器,并且可以处理许多重要的现实问题,例如验证,规划和设计。尽管它很重要,但人们对这项技术的最终优势和局限性知之甚少。本文提出了第一个精确的表征小句学习作为一个证明系统(CL),并开始了解它的权力,将其与研究充分的决议证明系统的任务。特别是,我们表明,与一个新的学习计划,CL可以提供指数更短的证明比许多适当的改进一般决议(RES)满足自然属性。这些包括常规和Davis-Putnam分辨率,已知其比普通DPLL强得多。我们还表明,CL的一个轻微的变化与无限的重新启动是一样强大的RES本身。然而,由于子句学习算法的不确定性,将这些分析结果转化为实践提出了挑战。我们提出了一种新的方式,利用底层的问题结构,在一个高层次的问题描述,如图或PDDL规范的形式,引导条款学习算法更快的解决方案。我们表明,这导致指数加速网格和随机卵石问题,以及某些排序公式的实质性改进。
2011-06-30 cs.AI
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
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
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