constraint programming
PulseAugur coverage of constraint programming — every cluster mentioning constraint programming across labs, papers, and developer communities, ranked by signal.
-
新的ASP方法解决了UAM战略冲突消解问题
研究人员开发了一种使用答案集编程（ASP）来管理城市空中交通（UAM）运行中战略冲突消解的新方法。该方法侧重于同步飞行时间和优化航线，以防止空中碰撞和与现有空中交通的冲突。与约束编程（CP）相比，ASP方法在中小规模场景下表现出更快的执行速度和更好的可扩展性，尽管CP在复杂性增加的情况下保持了更稳定的内存使用。
-
答案集规划通过新的语义和LLM驱动的优化得到增强 · 跟踪2个来源
两篇新的研究论文探讨了答案集规划（ASP）的进展。第一篇论文介绍了一个统一的逻辑框架，即界限语义（Bound-Founded Semantics），用于表征具有线性约束的ASP扩展的各种语义，特别关注clingo[DL]。第二篇论文改编了StreamLLM方法，使用大型语言模型生成“streamliners”来优化ASP编码，通过修剪解空间，在基准问题上实现了显著的加速。
-
新的全局差分约束传播器提高了约束规划的效率
研究人员开发了一种新的约束规划中的全局差分约束传播器。该方法同时处理所有差分约束，提供比标准传播技术更有效的方法。新的传播器还可以为其操作提供解释，使其适用于惰性子句生成求解器。实验表明，与传统方法相比，这种全局处理显著提高了性能。
-
新的SEER方法使用机器学习优化约束编程中的能量推理
研究人员开发了一种名为SEER的新方法，该方法利用监督机器学习来优化约束编程中能量推理传播器的使用。该方法旨在平衡传播的计算成本与其在减小搜索空间方面的有效性。通过训练一个预言机函数，SEER可以智能地决定何时使用复杂的传播器，从而提供灵活性并有可能集成到现有求解器中。实验表明预测准确性很高，并为构建此类预言机的特征选择提供了见解。
-
新的动态规划方法增强了优化技术
研究人员通过将域无关动态规划（DIDP）作为通用定价求解器，开发了一种新的列生成和分支定价（B&P）优化技术方法。该方法旨在克服传统 B&P 方法的局限性，传统方法通常需要针对特定问题结构定制定价算法。新的基于 DIDP 的求解器在四个问题类别中表现出改进的性能，其性能优于现有的自动化 B&P 求解器以及那些使用混合整数规划或约束规划进行定价的求解器。
-
深度强化学习解决模块工厂中的时间滞后调度问题
研究人员开发了一种新颖的时间滞后感知深度强化学习方法，以优化预制模块工厂的调度。该方法专门解决了由于混凝土养护和测试等后处理过程造成的显著延迟，如果不加以考虑，这些延迟会使生产时间膨胀高达67%。经过改进的双注意力深度强化学习求解器结合了滞后感知动态、预期滞后特征和活性掩码嵌入，实现了强大的无求解器调度性能，接近约束编程参考的4%以内，并优于传统的调度规则和遗传算法。
-
新逻辑方法优化项目调度中的能源成本
研究人员开发了新颖的方法来解决包含用电时段电价和机器状态的资源受限项目调度问题（RCPSP）。提出的方法包括一种整体约束规划（CP）方法和一种基于逻辑的Benders分解（LBBD）方法。LBBD方法将用于能源成本优化的整数线性规划与用于调度的CP相结合，其性能显著优于整体CP和紧凑型ILP对应方法，成功解决了多达480个任务的实例。
-
AI模型应对复杂的飞机拆解调度
研究人员开发了新的计算模型来优化复杂的飞机拆解调度。这一过程对于航空业的可持续性和盈利能力至关重要，涉及数千项任务和众多约束。提出的解决方案包括一个约束规划模型和一个混合整数规划（MIP）模型，并在具有多达1450个任务的真实世界数据上进行了测试。
-
研究人员将DP和CP结合用于调度问题
研究人员展示了一种新颖的混合方法，结合了动态规划（DP）和约束规划（CP）来解决部分车间调度问题（PSSP）。该方法使用DP作为主要的搜索框架，并将CP集成作为约束传播的子程序。混合模型提供了灵活性，能够适应任意的优先约束，并支持诸如大型邻域搜索之类的先进技术。