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
ACE, a generic constraint solver
CRIL, University of Artois（阿图瓦大学CRIL）；CNRS（法国国家科学研究中心）
本文介绍开源约束求解器ACE，它基于Java实现，面向整数变量，支持先进表约束、全局约束、搜索启发式与单准则优化，可求解XCSP3格式的约束问题实例。
2024-09-02 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
Instrumenting an SMT Solver to Solve Hybrid Network Reachability Problems
SIFT, LLC.（SIFT有限责任公司）；IST Austria（奥地利科学技术学院）；University of Freiburg（弗莱堡大学）
PDDL+规划的语义植根于混合自动机（HA），最近的工作表明，它可以建模为一个网络的HA。解决复杂的非线性PDDL+规划的HA需要空间和时间效率的推理。不幸的是，现有的求解器要么不解决非线性动力学，要么不支持自动机网络。我们提出了一种新的算法，称为HNSolve，它指导dReal可满足性模理论（SMT）求解器的变量选择，同时推理网络编码的非线性PDDL+规划作为HA。HNSolve通过解决HA网络的离散抽象与dReal紧密集成。HNSolve在HA网络上查找忽略连续变量但尊重模式跳转和同步标签的复合运行。HNSolve可允许地检测离散抽象中的死胡同，并发布冲突子句来修剪SMT求解器的搜索。我们评估我们的HNSolve算法的好处PDDL+基准问题，并证明其性能相对于以前的工作。
2016-09-13 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
Hyperparameter Optimization of Constraint Programming Solvers
Interdisciplinary Centre for Security, Reliability and Trust (SnT)（安全、可靠性与信任跨学科中心）；University of Luxembourg（卢森堡大学）；Faculty of Science, Technology and Medicine (FSTM)（科学、技术与医学学院）
本文提出探查与求解算法，通过贝叶斯优化提升约束编程求解器性能，实现对不同问题实例的高效优化。
2026-01-16 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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
Neural Solver Selection for Combinatorial Optimization
本文提出首个通用框架，通过特征提取、选择模型和选择策略在实例层面协调多个神经求解器，以提升组合优化性能，在TSP和CVRP上显著降低最优性差距。
2025-05-24 cs.AI cs.LG math.OC
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
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
Assignment-Routing Optimization: Solvers for Problems Under Constraints
Singapore Institute of Technology（新加坡理工学院）；Mathematical Institute, Faculty of Mathematics and Physics, Charles University（数学学院，数学与物理系，查尔斯大学）
本文提出了一种基于MIP的求解器，用于解决受约束的路径-分配优化问题，在包装规划、运动规划和复杂物流中表现出高效和高质量的解决方案。
2025-12-21 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
SMT-based Constraint Answer Set Solver EZSMT+
University of Maryland, College Park（马里兰大学帕克分校）；University of Nebraska at Omaha（内布拉斯加大学奥马哈分校）
约束回答集编程将回答集编程与约束处理相结合。系统EZSMT+是一个约束答案集编程工具，利用可满足性模理论求解器进行搜索。它的理论基础是对Niemela关于逻辑程序的回答集的水平排序的刻画的推广。
2019-06-03 cs.AI cs.LO
On Irrelevant Literals in Pseudo-Boolean Constraint Learning
Université d’Artois（阿图瓦大学）；CRIL, CNRS UMR 8188（CNRS UMR 8188 计算机研究实验室）；Institut Universitaire de France（法国大学研究院）
学习伪布尔（PB）约束PB求解器利用切割平面为基础的推理是不好理解的冲突驱动的子句学习求解器中的子句学习。在本文中，我们表明，PB约束使用切割平面可能包含\emph{irrelevant literals}，即，其赋值（无论是什么）永远不会更改约束的真值的文字。这样的文字可能会导致推断比它们应该的更弱的约束，影响求解器构建的证明的大小，从而也影响其性能。这表明，目前的PB求解器的实现基于切割平面应重新考虑，以防止产生不相关的文字。实际上，检测和删除不相关的文字在实践中成本太高，无法作为一种选择（相关问题是NP难的）。
2020-12-08 cs.AI
A Complete Solver for Constraint Games
Université de Caen（卡昂大学）
博弈论研究多个目标相互冲突的代理人必须达成集体决策的情况。代理效用函数的一个紧凑的表示语言的问题是至关重要的，因为一个$n$的球员游戏的经典表示是由一个$n$维矩阵的指数大小为每个球员。在本文中，我们使用的约束博弈的框架中，CSP被用来代表效用。约束编程-包括全局约束-允许轻松地为许多有用的游戏提供紧凑而优雅的模型。约束博弈有两种形式：约束满足博弈和约束优化博弈，第一种使用满足来定义布尔效用。除了多矩阵游戏，它也可以模拟更复杂的游戏，其中硬约束禁止某些情况。在本文中，我们研究了完整的搜索技术，并表明，我们的求解器使用的紧凑表示的约束游戏是快于经典的游戏求解器Gambit的一到两个数量级。
2014-04-29 cs.AI cs.GT
Going Beyond Approximation: Encoding Constraints for Explainable Multi-hop Inference via Differentiable Combinatorial Solvers
University of Manchester（曼彻斯特大学）；Idiap Research Institute（Idiap研究所）
线性规划（ILP）提供了一种可行的机制来编码关于自然语言可解释的多跳推理的显式和可控的假设。然而，ILP公式是不可微的，并且不能集成到更广泛的深度学习架构中。最近，Thayaparan等人（2021 a）提出了一种新的方法，将ILP与Transformers集成，以实现复杂多跳推理的端到端可区分性。虽然这种混合框架已被证明提供更好的答案和解释选择比变压器为基础的和现有的ILP求解器，神经符号积分仍然依赖于凸松弛的ILP制定，这可能会产生次优的解决方案。为了改善这些限制，我们提出了Diff-Comb Explainer，这是一种基于可微分黑盒组合求解器（DBCS）的新型神经符号架构（Pogančić et al.，2019年）。与现有的可微求解器，所提出的模型不需要的显式语义约束的转换和放松，允许直接和更有效的集成ILP配方。Diff-Comb Explainer比不可微求解器、Transformers和现有的基于可微约束的多跳推理框架具有更高的准确性和可解释性。
2022-08-05 cs.AI cs.CL
Why Not? Solver-Grounded Certificates for Explainable Mission Planning
Serana AI Inc.（Serana AI公司）
本文提出基于求解器的可解释任务规划证书方法，通过优化模型本身生成解释，实现正确性、反事实有效性及稳定性，提升调度决策的可解释性。
2026-02-28 cs.AI math.OC
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
Towards Efficient Constraint Handling in Neural Solvers for Routing Problems
Nanyang Technological University（南洋理工大学）；Singapore Management University（新加坡管理学院）；Shandong University（山东大学）；Eindhoven University of Technology（埃因霍温理工大学）；MIT（麻省理工学院）
本文提出了一种新的神经求解器约束处理框架CaR，通过显式学习的可行性细化方法，提升了在复杂约束下的求解效率和质量。
2026-02-17 cs.AI cs.LG math.OC
ARS: Automatic Routing Solver with Large Language Models
Southern University of Science and Technology（南方科技大学）；City University of Hong Kong（香港城市大学）；Huawei Noah’s Ark Lab（华为诺亚实验室）
针对现实VRP约束复杂、手动设计求解器成本高且现有自动方法覆盖变体有限的问题，本文提出含1000个变体的RoutBench基准，以及基于LLM智能体自动生成约束感知启发式代码的ARS求解器，性能显著优于现有方法。
2025-05-19 cs.AI cs.CL
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
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
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
GOAL: Graph-based Objective-Aligned Diffusion Solvers for Dynamic Multi-Objective Optimization
Purdue University（普渡大学）
本文提出GOAL，一种基于图的扩散求解器，用于动态多目标优化问题，通过条件化扩散求解器实现可控决策生成，通过人类指定的目标进行条件化，引入异构图编码，允许信息根据约束的本体进行选择性传播，并在三个经典调度基准上实现了100%的解可行性和接近零的MAPE。
2026-05-18 cs.AI cs.LG cs.NE
