CP-SAT
PulseAugur coverage of CP-SAT — every cluster mentioning CP-SAT across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
AI代理在Conway 99图问题上取得进展
一篇新研究论文详细介绍了一个自主AI代理对Conway 99图问题的系统性攻击，该问题质疑是否存在特定的强正则图。该AI代理提供了可验证的贡献，包括证明Z/99上的无环图不满足所有约束，并将问题约简为一个更小的图问题。该代理还开发了一个检查自同构轨道存在的框架，并实现了69.43%完成度的已验证工件，表明这是该问题的一个稳健前沿。
-
新框架优化课堂座位以提高学生参与度
研究人员开发了SetEasy，一个旨在通过优化座位安排来提高课堂参与度的框架。该系统集成了多模态数据，包括来自腕带的生理信号、4K视频和环境指标，以训练v-Gage模型。该模型预测学生参与度水平，然后用于生成考虑视觉访问和社会动态的座位计划，旨在最大限度地提高学生互动和学习。
-
量子启发式算法将铁路延误减少25%
研究人员开发了一种新颖的量子启发式进化算法结合邻域搜索（QEA-NS），用于优化短期铁路中断期间的列车到达和出发股道利用率。该算法使用德国法兰克福中央车站（Frankfurt Hauptbahnhof）的时间表数据与CP-SAT进行了对比测试。QEA-NS在所有测试的扰动实例中均实现了比CP-SAT更低的延误，总延误减少了25.2%，但需要更长的求解时间。
-
新AI框架实现打包清单个性化，提升效率
研究人员开发了一个新颖的框架，用于生成个性化打包清单，整合了符号推理、机器学习和优化。该三阶段系统首先使用符号引擎创建符合规定的清单，然后偏好学习器从用户行为中估计用户效用，最后CP-SAT优化器选择一个合规的子集。当部署在FlyEnJoy iOS应用中时，该系统使清单完成率翻倍，并减少了编辑和完成时间，在规则有效性和约束满足方面优于前沿LLM。
-
新的CP-SAT框架应对复杂的劳动力调度挑战
研究人员开发了CP-WSP，一个使用CP-SAT的新声明式框架，用于解决复杂的劳动力调度问题。该框架强制执行14个硬约束并优化15个软目标，与以前的方法相比，提供了更高的可配置性并能处理更复杂的调度场景。它支持强制休息调度、基于清晰度加权的公平工作量分配以及多粒度时间分辨率等功能，并在INRC-II基准和合成配置上进行了评估。
-
LLM通过自动形式化实现鲁棒的异步规划
研究人员开发了一种新方法，使大型语言模型（LLM）能够处理复杂、异步的规划任务。他们的方法是将任务翻译成一种形式化语言供外部求解器使用，而不是让LLM直接生成动作序列。这种自动形式化技术，特别是使用CP-SAT求解器，在包含多达100个动作的基准测试中，与PDDL2.1或直接LLM规划等传统方法相比，显示出显著更高的规划准确性。
-
混合CDCL与CP-SAT架构加速设施布局优化
研究人员开发了一种结合了冲突驱动子句学习（CDCL）和CP-SAT求解器的混合架构，以加速离散设施布局优化。虽然CDCL擅长快速找到高度约束问题的可行解，但它在优化目标方面存在困难。新方法使用CDCL生成可行性提示，然后将其输入CP-SAT优化器，从而显著加快找到最优解的过程。