Learning Branching Heuristics for Propositional Model Counting
University of Toronto(多伦多大学);UC Berkeley(加州大学伯克利分校);Vector Institute(向量研究所)
命题模型计数(Propositional Model Counting),或#SAT,是计算布尔公式的满意赋值的数量的问题。来自不同应用领域的许多问题,包括许多离散概率推理问题,可以转化为模型计数问题,由#SAT求解器来解决。然而,精确的#SAT求解器通常不能扩展到工业规模的实例。在本文中,我们提出了Neuro#,一种用于学习分支算法的方法,以提高给定问题族实例上的精确SAT求解器的性能。我们的实验表明,我们的方法减少了类似的分布式举行了实例的步骤数,并推广到更大的实例,从同一个问题的家庭。它是能够实现这些结果对一些不同的问题家庭具有非常不同的结构。除了步数改进之外,Neuro#还可以在某些问题族中的较大实例上实现比vanilla求解器高出几个数量级的挂钟加速,尽管查询模型的运行时开销很大。
2022-09-08 cs.AI cs.LG 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
Heuristic Search as Evidential Reasoning
University of California(加利福尼亚大学)
BPS,贝叶斯问题求解器,应用概率推理和决策理论控制灵活,资源受限的问题解决。本文重点讨论了BPS中的贝叶斯推理机制,并将其与传统的启发式搜索技术进行了对比。通过执行声音推断,BPS可以以显著更少的计算工作量胜过传统技术。对八个问题的实证测试表明,BPS算法在几百个节点扩展后,比现有最好的算法在几百万个节点扩展后做出更好的决策
2013-03-27 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
Enhancing Selection Hyper-heuristics via Feature Transformations
School of Engineering and Sciences, Tecnologico de Monterrey(蒙特雷理工学院工程与科学学院);CINVESTAV-IPN(墨西哥国立理工学院高级研究中心)
超能力是一种新的工具。它们处理复杂的优化问题,其中独立的求解器表现出不同的性能。在这样一个工具中,存在选择超空间学。通过结合每个求解器的优势,这种超启发式提供了一个更强大的工具。然而,它们的有效性高度依赖于用于将它们与正在解决的问题联系起来的“功能”。针对增强选择超验性,本文提出了两种类型的转换:显式和隐式。第一种方法直接改变特征域内临界点的分布,同时使用欧几里德距离来测量邻近度。第二种方法通过保持临界点的分布,但通过核函数改变距离度量来间接操作。我们着重分析每一种转换的效果,以及它们的组合。我们测试我们的想法在域的约束满足问题,因为它们的流行和许多实际应用。在这项工作中,我们将我们的建议与先前公布的数据进行比较。此外,我们通过增加分析特征的数量来扩展以前的研究。我们发现,通过将转换纳入选择超进化模型,可以提高整体性能,产生更稳定的结果。然而,将隐式和显式转换结合起来并没有那么富有成效。此外,我们还对背包问题进行了一些验证性测试。再次,我们观察到稳定性的改善,导致产生利润的标准差在20%到30%之间的超自动化。
2018-12-12 cs.AI
Re-evaluating LLM-based Heuristic Search: A Case Study on the 3D Packing Problem
The University of Manchester(曼彻斯特大学);University of Manchester(曼彻斯特大学);Department of Computer Science(计算机科学系);Alliance Manchester Business School(曼彻斯特商业联盟学院)
本研究针对LLM在启发式设计中创新能力有限的问题,以三维装箱问题为案例,引入约束脚手架和迭代自校正支撑LLM构建完整求解器,发现LLM天然局限于优化评分函数,明确了当前LLM实现自动化启发式设计的两大障碍。
2025-09-02 cs.AI
Search Combinators
Monash University(莫纳什大学);Universiteit Gent(根特大学);Katholieke Universiteit Leuven(鲁汶大学);IBM Research(IBM研究院);National ICT Australia (NICTA)(澳大利亚国家信息与通信技术研究院(NICTA));University of Melbourne(墨尔本大学)
在约束求解器中进行模型搜索的能力对于解决组合问题来说是一项重要的资产。然而,现有的基础设施定义搜索引擎往往是不够的。要么建模能力极其有限,要么用户面对的是一种通用程序设计语言,其功能并不适合编写搜索引擎。因此,性能方面的重大改进可能仍未得到探索。本文介绍了搜索组合子,这是一种轻量级和独立于求解器的方法,它弥合了概念上简单的搜索建模语言(高级,功能性和自然组合)与高效实现(低级,命令式和高度非模块化)之间的差距。通过允许用户从一小组原语定义应用定制的搜索策略,搜索组合器有效地为用户提供了用于建模搜索的丰富的域特定语言(DSL)。值得注意的是,对于约束求解器的开发人员来说,这种DSL的实现成本很低。本文讨论了两个模块化的实现方法,并显示,通过实证评估,搜索组合子可以实现没有开销相比,一个本地的,直接实现约束求解器。
2012-03-06 cs.AI
The impact of Entropy and Solution Density on selected SAT heuristics
Technion(以色列理工学院)
在最近的一篇文章[Oh'15]中,Oh检查了各种关键竞争力的影响(例如,删除策略,重启策略,衰减因子,数据库缩减)。他的主要发现是,他们的预期成功取决于输入公式是否可满足。为了进一步研究这些发现,我们关注可满足公式的两个性质:公式的熵,它近似于我们在分配变量时的自由度,以及解密度,它是解的数量除以搜索空间。我们发现,这两个预测更好的效果,这些questistics,满足公式与小熵的“行为”类似于不可满足的公式。
2017-06-18 cs.AI cs.LO
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
Solving Travelling Thief Problems using Coordination Based Methods
Data61 / CSIRO(Data61 / 澳大利亚联邦科学与工业研究组织);Griffith University(格里菲斯大学);University of Newcastle(纽卡斯尔大学)
本文针对旅行窃贼问题中城市选择与物品选择协调不足的问题,提出三种协调启发式方法(两种人工设计、一种机器学习),并构建 CoCo 求解器,在基准问题上显著超越现有最先进方法。
2023-10-11 cs.AI
Homotopic Convex Transformation: A New Landscape Smoothing Method for the Traveling Salesman Problem
Xi’an Jiaotong University(西安交通大学);City University of Hong Kong(香港城市大学);First Affiliated Hospital of Xi’an Jiaotong University(西安交通大学第一附属医院)
针对对称旅行商问题(TSP),提出了一种新的景观平滑算法.我们首先将TSP的同伦凸(HC)变换定义为构造良好的简单TSP和原始TSP的凸组合。简单的TSP,称为凸壳TSP,是通过转换一个已知的局部或全局最优。我们观察到,控制的凸组合的系数,与局部或全局最优,(i)HC变换的TSP的景观是平滑的,其局部最优的数量相比,原来的TSP减少;(ii)HC变换的TSP的适应度距离相关性增加。此外,我们观察到HC变换的平滑效果高度依赖于所使用的最佳质量。高质量的最佳值比低质量的最佳值产生更好的平滑效果。然后,我们提出了一个迭代算法框架,其中建议的HC变换结合在一个启发式TSP求解器。它作为一种逃避局部最优的计划,旨在提高组合启发式的全局搜索能力。使用3-Opt和Lin-Kernighan局部搜索作为启发式求解器的案例研究表明,在多达20,000个城市的大多数测试实例上,所得到的算法显着优于其同行和其他两个基于平滑的TSP启发式求解器。
2020-03-14 cs.AI cs.NE
Orbitopal Fixing in SAT
RPTU Kaiserslautern-Landau(科隆-拉乌恩大学);Carnegie Mellon University(卡内基梅隆大学)
本文提出基于轨道固定的静态对称性打破方法,通过添加单位子句实现快速且非干扰的对称性处理,提升SAT求解器性能。
2026-01-23 cs.AI cs.LO
Towards Ultra Rapid Restarts
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);Delft University of Technology(代尔夫特理工大学)
我们观察到一个趋势,重新启动战略中使用的SAT求解器。几年前,大多数最先进的求解器平均在几千次回溯后重新启动。目前,在十几次回溯后重新启动会产生更好的性能。这种趋势的主要原因是逻辑学和数据结构变得更加易于重启。我们预计这一趋势将进一步延续,因此未来的SAT求解器将更快地重新启动。此外,我们提出的实验结果来支持我们的观察。
2014-02-18 cs.AI cs.LO
Augmented Electronic Ising Machine as an Effective SAT Solver
University of Rochester(罗切斯特大学)
针对传统伊辛机求解3-SAT问题加速不足的问题,研究添加立方相互作用架构支持并提出语义感知退火调度,构建的AIMS求解器性能远超现有软硬件SAT求解器数个数量级,且抗器件偏差与噪声。
2023-05-01 cs.AI cs.AR cs.ET
Improving DPLL Solver Performance with Domain-Specific Heuristics: the ASP Case
Eastman Kodak Company(伊士曼柯达公司)
尽管基于DPLL过程的求解器的性能最近有所改进,但搜索算法仍然可能集中在搜索空间的错误区域上,从而阻止求解器在可接受的时间量内返回解。这种前景是一个真正的问题,例如在工业环境中,用户通常期望一致的性能。为了克服这个问题,我们提出了一个框架,允许学习和使用特定领域的算法在求解器的基础上的DPLL程序。学习是离线完成的,在目标域的代表性实例上,然后将学习到的算法用于选择点选择。在本文中,我们专注于答案集编程(ASP)求解器。在我们的实验中,引入特定于域的算法将硬实例的性能提高了3个数量级(平均2个数量级),几乎完全消除了由于等待答案变得不可接受而必须终止求解器的情况。
2011-02-10 cs.AI cs.LO
Heuristically Guided Compilation for Multi-Agent Path Finding
Czech Technical University in Prague(布拉格捷克理工大学);Faculty of Information Technology(信息技术学院)
多智能体路径寻找(MAPF)是在共享环境中寻找连接智能体指定初始位置和目标位置的非冲突路径的任务。我们专注于基于编译的求解器,其中的MAPF问题表示在不同的良好建立的形式主义,如混合整数线性规划(MILP),布尔可满足性(SAT),或约束规划(CP)。由于这些形式主义的目标求解器充当黑盒,因此在基于MAPF编译的求解器中集成MAPF特定算法是具有挑战性的。在这项工作中,我们将展示如何建立一个MAPF编码的目标SAT求解器,在特定领域的启发式知识得到反映。通过为每个代理选择候选路径并仅为这些候选路径构建编码而不是为代理的所有可能路径构建编码,将启发式知识转移到SAT求解器。进行的实验表明,启发式指导编译优于基于SAT的MAPF求解器的香草变种。
2022-12-13 cs.AI cs.MA
Enhancing CVRP Solver through LLM-driven Automatic Heuristic Design
Southern University of Science and Technology(南方科技大学);City University of Hong Kong(香港城市大学)
提出AILS-AHD方法,结合进化搜索框架与大语言模型动态生成和优化破坏启发式,并引入加速机制,在中等和大规模CVRP实例上优于现有求解器,在CVRPLib大规模基准中10个实例上取得8个新最优解。
2026-06-18 cs.AI
Systematic Analysis of LLM Contributions to Planning: Solver, Verifier, Heuristic
Emory University(埃默里大学)
本研究系统分析LLM在规划任务中作为求解器、验证器、启发式引导的作用,发现其更擅长为中间解提供启发式反馈,还提出了评估LLM即时学习用户偏好能力的新基准。
2024-12-12 cs.AI cs.CL
Rethinking LLM-Driven Heuristic Design: Generating Efficient and Specialized Solvers via Dynamics-Aware Optimization
University of Electronic Science and Technology of China(电子科技大学)
本文提出DASH框架,通过动态感知指标优化求解器搜索机制和运行时间安排,提升求解效率和性能,同时通过Profiled Library Retrieval减少重新适应成本。
2026-04-16 cs.AI cs.LG cs.NE
Discovering heuristics in a complex SAT solver with large language models
School of Data Science, Fudan University, Shanghai, China(复旦大学数据科学学院,上海,中国);Key Laboratory of System Software, Institute of Software, Chinese Academy of Sciences, Beijing, China(中国科学院软件研究所系统软件重点实验室,北京,中国);SeedMath Technology Limited, Beijing, China(SeedMath技术有限公司,北京,中国)
提出AutoModSAT框架,结合模块化求解器设计、无监督提示优化和进化算法,利用LLM自动优化SAT求解器,在多个数据集上性能提升40%。
2026-06-06 cs.AI cs.LO
AutoSAT: Automatically Optimize SAT Solvers via Large Language Models
Fudan University(复旦大学);paradigm Inc.(第四范式公司);Tsinghua University(清华大学)
本文提出 AutoSAT 框架,利用大型语言模型在模块化搜索空间中自动优化 CDCL SAT 求解器的启发式方法,实验证明其能提升求解器性能,并在多个数据集上超越 MiniSat 和 Kissat。
2024-11-13 cs.AI
Graph Neural Reasoning for 2-Quantified Boolean Formula Solvers
Purdue University(普渡大学);Sun Yat-Sen University(中山大学)
在本文中,我们研究了学习GNN(图神经网络)为基础的解决方案和基于GNN的算法为指定的QBF(量化布尔公式)问题的可行性。我们设计并评估了几种2 QBF公式的GNN结构,并推测GNN在学习2 QBF求解器方面存在局限性。然后,我们展示了如何学习启发式CEGAR 2 QBF求解器。我们进一步探索将基于GNN的算法推广到更大的不可见实例,并发现一些有趣的挑战。总之,本文提供了将GNN嵌入应用于指定QBF求解器的全面调查视图,旨在为将ML应用于更复杂的符号推理问题提供指导。
2019-04-27 cs.AI cs.LG cs.LO
Formalize, Don't Optimize: The Heuristic Trap in LLM-Generated Combinatorial Solvers
University of Pennsylvania(宾夕法尼亚大学);University of Toronto(多伦多大学);Google DeepMind(谷歌DeepMind);Oracle AI(Oracle人工智能)
本文研究LLM生成组合求解器时形式化与优化的矛盾,通过CP-SynC-XL基准测试,发现Python+OR-Tools在正确性上最优,而MiniZinc+OR-Tools虽使用相同后端但覆盖度较低,启发式优化导致部分问题速度下降和正确性降低。
2026-05-12 cs.AI
An Amortized Efficiency Threshold for Comparing Neural and Heuristic Solvers in Combinatorial Optimization
Univ. Artois(阿劳斯大学)
本文研究了神经求解器在组合优化中的能耗问题,提出平均效率阈值框架,通过实验显示神经求解器在部署量超过阈值后能耗低于启发式方法,提供了新的评估方法。
2026-05-15 cs.AI cs.LG cs.NE
Design and Implementation of an Heuristic-Enhanced Branch-and-Bound Solver for MILP
Université de Montréal(蒙特利尔大学);Polytechnique Montréal(蒙特利尔理工学院)
我们提出了一个求解器为MIP竞争2022年开发的混合编程(MIP)。鉴于10分钟的计算时间的竞争规则建立的约束,我们的方法侧重于找到一个可行的解决方案,并通过分支定界算法改进它。比赛的另一个规则允许使用多达8个线程。每个线程都被赋予一个不同的原始启发式算法,该算法已经通过超参数进行了调整,以找到一个可行的解决方案。在每一个线程中,一旦找到一个可行的解决方案,我们停止,我们使用分支定界方法,嵌入本地搜索算法,以改善现任的解决方案。我们实现的Diving启发式的三个变体设法为训练数据集的10个实例找到可行的解决方案。这些算法是我们实现的算法中性能最好的。我们的分支定界算法是有效的一小部分的训练数据集,它设法找到一个现任的可行的解决方案,我们不能解决的情况下,潜水算法。总的来说,我们的组合方法,当实现广泛的计算能力,可以解决19个问题的训练数据集的时间限制内。我们提交的MIP比赛被授予“优秀学生提交”荣誉奖。
2022-06-20 cs.AI cs.DC math.OC
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
Learning Heuristics for Template-based CEGIS of Loop Invariants with Reinforcement Learning
Australian National University(澳大利亚国立大学);Data61, CSIRO(联邦科学与工业研究组织数据61所);Chiba University(千叶大学);University of Tsukuba(筑波大学);RIKEN AIP(理化学研究所人工智能项目中心);National Institute of Informatics(国立信息学研究所);Kyoto University(京都大学)
循环不变综合是程序验证的基础。由于一般问题的不可判定性,用于不变量合成的工具必须使用启发式算法。尽管人们普遍认为合成器的设计对合成器的性能至关重要,但合成器通常是由开发人员根据经验和直觉设计的,有时是以\emph{ad-hoc}的方式。在这项工作中,我们提出了一种方法来系统地学习基于模板的反例引导归纳合成(CEGIS)与强化学习的算法。作为一个具体的例子,我们实现的方法上PCSat,这是一个不变的合成器基于模板的CEGIS。实验表明,PCSat指导下学习我们的框架,不仅优于现有的最先进的CEGIS为基础的求解器,如HoICE和神经求解器Code2Inv,但也有轻微的优势,在线性约束霍恩子句(CHC)求解非CEGIS为基础的求解器,如Eldarica和Spacer。
2022-06-15 cs.AI cs.LG cs.PL
Heuristic Optimization of Electrical Energy Systems: Refined Metrics to Compare the Solutions
Politecnico di Torino(都灵理工大学)
许多优化问题存在多个局部最优解,其中存在全局最优解。针对这些问题,人们提出了各种启发式优化方法。比较这些求解器的结果需要定义合适的度量。在电能系统文献中,仍然使用简单的度量,例如获得的最佳值、平均值、中值或解的标准差。然而,与这些指标进行的比较是相当薄弱的,在这些基础上,某种程度上不受控制的启发式求解器的扩散正在发生。本文讨论了理解这种扩散的原因的总体问题,显示了一个概念方案,表明如何评估最佳求解器可能会导致新的求解器的无限制定。此外,本文展示了如何使用定义的更精细的度量来比较优化结果,与适当的基准的定义相关联,可以使求解器之间的比较更加鲁棒。所提出的指标是基于一阶随机优势的概念,并定义的情况下,其中:(i)全局最优解可以找到(用于测试目的);和(ii)可能的解决方案的数量是如此之大,实际上它不能保证全局最优已被发现。说明性的例子提供了一个典型的问题,在电能系统领域-配电网重构所得到的概念性结果对于比较其它优化问题的结果是普遍有效的。
2019-02-15 cs.AI math.OC
Exploiting Partial Knowledge in Declarative Domain-Specific Heuristics for ASP
Siemens AG Österreich(西门子奥地利股份公司);Alpen-Adria-Universität(阿尔卑斯-亚德里亚大学);Technische Universität Wien(维也纳工业大学);Aalto University(阿尔托大学)
特定领域算法是有效解决组合问题的一种重要技术。我们提出了一种新的语义声明规范的领域特定的问答集编程(ASP)。基于部分解决方案的决策过程是现有领域特定算法的常见成分,例如,用于将尚未放置的物品放置在装箱中。因此,在我们的新语义否定失败和聚集在启发式条件下进行评估的部分求解器状态。最先进的求解器不允许这样的声明性规范。我们的实现在懒惰接地ASP系统Alpha支持启发式指令下的语义。通过这种方式,我们还提供了第一个实现,用于将声明式指定的特定于域的语法整合到延迟接地设置中。实验证实,ASP解决与懒惰接地和我们的新的算法相结合,可以解决工业规模的问题的重要组成部分。
2019-09-18 cs.AI cs.LO
BEAM: Bi-level Memory-adaptive Algorithmic Evolution for LLM-Powered Heuristic Design
IEEE
BEAM通过双层优化方法,结合遗传算法和MCTS,改进LLM驱动的启发式设计,有效提升复杂代码生成效率,实验显示在CVRP混合算法设计中优化差距减少37.84%。
2026-04-14 cs.AI math.CO
New Hybrid Heuristics for Pseudo-Boolean Propagation
本文提出了一种新的混合启发式方法,用于改进伪布尔传播中的单位传播策略,以在RoundingSAT求解器中取得更好的性能。
2025-12-19 cs.AI math.OC
Message passing for quantified Boolean formulas
Politecnico di Torino(都灵理工大学);Institut de Physique Theorique, IPhT, CEA Saclay(法国原子能委员会萨克雷核研究中心理论物理研究所(IPhT));URA 2306, CNRS(法国国家科学研究中心 URA 2306 联合研究单位)
我们介绍了两种类型的量化布尔公式(QBF)的消息传递算法。第一种类型是基于消息传递的算法,它可以通过分配通用变量来证明QBF的不可满足性,使得剩余的公式是不可满足的。在第二种类型中,我们使用消息传递来指导Davis-Putnam Logemann-Loveland(DPLL)完全求解器的分支算法。数值实验表明,在随机QBF上,我们的分支算法相对于最先进的求解器给出了鲁棒的指数效率增益。我们还设法解决了QBFLIB库中一些以前未解决的基准测试。除此之外,我们的研究揭示了在小系统中使用消息传递和作为子程序在完整的求解器。
2012-02-12 cond-mat.dis-nn cs.AI
Memory-Enhanced Neural Solvers for Routing Problems
InstaDeep;University of Cape Town(南非开普敦大学)
该研究针对路径规划问题,提出记忆增强神经求解器MEMENTO,通过利用在线数据动态调整动作分布,在12项评估任务的11项上优于树搜索等方法,可与多样性求解器零样本组合。
2026-08-25 cs.AI cs.LG
Driving CDCL Search
Università della Calabria(卡拉布里亚大学);Alpen-Adria-Universität Klagenfurt(克拉根福阿尔卑斯-亚得里亚大学)
CDCL算法是最先进的SAT、SMT、ASP等求解器采用的领先解决方案。实验表明,嵌入特定领域的算法可以显着提高CDCL求解器的性能,特别是在大型现实世界的问题。然而,在现成的CDCL实现中适当地集成这样的标准并不明显。在本文中,我们提取的关键成分,驱动搜索的CDCL求解器,并提出了一个通用的框架,设计和实施新的算法。我们在ASP求解器中实现了我们的策略,并在两个工业领域进行了实验。在困难的问题实例中,最先进的实现无法在可接受的时间内找到任何解决方案,而我们的实现非常成功,可以找到所有解决方案。
2016-11-16 cs.AI
An Unsupervised Learning Framework Combined with Heuristics for the Maximum Minimal Cut Problem
Harbin Institute of Technology(哈尔滨工业大学)
针对最大最小割这一NP难组合优化问题缺乏关注且无标注下机器学习求解困难的问题,提出结合启发式的无监督学习框架,通过图神经网络参数化解、启发式树变换修复解,在保证解一致的同时简化图提速,实验验证其优于现有两种技术。
2024-08-16 cs.AI cs.LG
Learning Robust Search Strategies Using a Bandit-Based Approach
School of Computing, National University of Singapore(新加坡国立大学计算机学院)
约束问题的有效解决通常需要选择好的或特定的搜索策略。然而,选择或设计一个好的搜索启发是不平凡的,往往是一个手动的过程。在本文中,而不是手动选择/设计搜索引擎,我们提出了使用基于Bandit的学习技术来自动选择搜索引擎。我们的方法是在线的,求解器在搜索过程中从一组算法中学习和选择。我们的目标是获得自动搜索算法,提供强大的性能。初步实验表明,我们的自适应技术是更强大的比原来的搜索算法。它也可以超越原来的竞争力。
2018-05-10 cs.AI
An (MI)LP-based Primal Heuristic for 3-Architecture Connected Facility Location in Urban Access Network Design
National Research Council of Italy(意大利国家研究委员会);Zuse Institute Berlin(柏林楚泽研究所)
研究了城市电信接入网设计中的三层结构互联设施定位问题。我们提出了一个原始的最优化模型的问题,包括额外的变量和约束,考虑到无线信号覆盖。由于这个问题可以证明具有挑战性,即使是现代国家的最先进的优化求解器,我们建议解决它的原始启发式结合了概率固定程序,引导特有的线性规划松弛,一个确切的MIP启发式,基于一个非常大的邻域搜索。一组现实的实例上的计算实验表明,我们的启发式可以找到解决方案与低得多的最优性差距比一个国家的最先进的求解器。
2017-04-27 cs.AI cs.NI math.OC
Improving Generalization of Deep Reinforcement Learning-based TSP Solvers
Shanghai Jiao Tong University(上海交通大学);University of Michigan(密歇根大学)
最近的工作应用深度强化学习(DRL)来解决旅行商问题(TSP)已经表明,基于DRL的求解器可以快速且具有竞争力的小实例TSP算法,但不能很好地推广到较大的实例。在这项工作中,我们提出了一种名为MAGIC的新方法,其中包括一个深度学习架构和DRL训练方法。我们的架构,它集成了一个多层感知器,一个图神经网络,和一个注意力模型,定义了一个随机的政策,顺序生成一个TSP解决方案。我们的训练方法包括几个创新:(1)我们将DRL策略梯度更新与局部搜索(使用新的局部搜索技术)交织在一起,(2)我们使用新的简单基线,(3)我们应用课程学习。最后,我们的经验表明,MAGIC是优于其他基于DRL的方法随机TSP的情况下,无论是在性能和推广。此外,我们的方法相比有利的TSP算法和其他国家的最先进的方法在性能和计算时间。
2021-10-06 cs.AI cs.LG
Longest Common Substring in Longest Common Subsequence's Solution Service: A Novel Hyper-Heuristic
Institute for Advanced Studies in Basic Sciences (IASBS)(基础科学高级研究所(IASBS))
针对LCS求解器难以适配不同字符串集合且现有超启发式效率不足的问题,本文提出基于相似性分类的$S^2D$算法及新型超启发式,以自动选择最佳启发式,并在基准数据集上提升解质量与运行效率。
2022-12-03 cs.AI
Advancing Lazy-Grounding ASP Solving Techniques -- Restarts, Phase Saving, Heuristics, and More
TU Wien (Vienna University of Technology)(维也纳工业大学);Siemens AG Österreich(奥地利西门子公司)
集合编程(ASP)是一种功能强大、表达能力强的知识表示范式,在基于逻辑的人工智能中有大量的应用。然而,传统的接地和解决方法要求ASP程序预先接地,因此遭受所谓的接地瓶颈(即,ASP程序很容易耗尽所有可用内存,从而变得无法解决)。作为一种补救措施,懒惰接地ASP求解器已经开发出来,但许多国家的最先进的技术接地ASP解决还没有提供给他们。在这项工作中,我们提出,第一次,适应惰性接地设置的许多重要的技术,如重新启动,阶段保存,域独立的算法,和学习子句删除。此外,我们调查他们的影响,并在一般情况下观察到解决能力的大幅度提高,也发现在某些情况下的负面影响,表明需要从其他求解器的组合解决。正在考虑接受TPLP。
2020-08-08 cs.AI cs.LO
SeaPearl: A Constraint Programming Solver guided by Reinforcement Learning
École Polytechnique, Institut Polytechnique de Paris(巴黎综合理工学院,巴黎综合理工大学);École Polytechnique de Montréal(蒙特利尔综合理工学院)
设计求解组合优化问题的高效通用算法是一个活跃的研究领域。标准的精确求解方法是基于对解集的巧妙而完整的枚举。使用这种方法的一个关键和重要的设计选择是分支策略,它指导如何执行搜索。在过去的十年中,人们对设计基于机器学习的算法来解决组合优化问题表现出越来越大的兴趣。目标是利用历史数据中的知识来解决问题的类似新实例。单独使用时,这种算法只能有效地提供近似解,但不能证明其解的最优性或边界。最近的工作表明,强化学习可以成功地用于驱动约束规划(CP)求解器的搜索阶段。然而,也已经表明,这种混合是具有挑战性的建设,因为标准的CP框架不包括原生的机器学习机制,导致一些低效率的来源。本文介绍了SeaPearl的概念证明,这是一种在Julia中实现的新CP求解器,它支持机器学习例程,以便使用强化学习来学习分支决策。还提供了对学习组件建模的支持。我们说明了两个问题的建模和解决方案的性能,这个新的求解器。虽然还没有与工业求解器竞争,但SeaPearl旨在提供一个灵活的开源框架,以促进未来约束编程和机器学习混合的研究。
2021-04-20 cs.AI cs.LG
ORCSolver: An Efficient Solver for Adaptive GUI Layout with OR-Constraints
University of Maryland, College Park(马里兰大学帕克分校);Simon Fraser University(西蒙弗雷泽大学);University of Bath(巴斯大学)
OR约束(ORC)图形用户界面布局将传统的基于约束的布局与流布局统一起来,这使得能够仅用单个布局规范来定义适应具有不同尺寸、取向或纵横比的屏幕的灵活布局。不幸的是,使用当前的求解器求解ORC布局是耗时的,并且所需的时间随着小部件和约束的数量呈指数级增加。为了解决这一挑战,我们提出了ORCSolver,一种新的解决技术,自适应ORC布局,基于启发式预处理的分支定界方法。我们证明,ORCSolver简化了ORC规范在运行时,我们的方法可以解决ORC布局规范有效地在近互动的速度。
2020-02-23 cs.AI cs.DS cs.HC
DAEDALUS: Bootstrapping Agent Memory from Self-Generated Tasks
Illuin Technology
DAEDALUS通过探索者与求解器配对自生成任务,从失败中推导启发式规则并构建可复用记忆,无需人工指南或预言机验证器,在多个基准上显著提升成功率并降低推理成本。
2026-10-07 cs.AI cs.CL cs.LG