MaxSAT
PulseAugur coverage of MaxSAT — every cluster mentioning MaxSAT across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
CPMpy 库将约束模型跨求解器翻译
研究人员开发了 CPMpy，这是一个开源库，旨在将高级约束满足和优化模型转换为各种低级形式。该框架允许用户一次性表达问题，然后在无需手动重新建模的情况下，跨 CP、SMT、ILP、PB 和 SAT 等不同的求解技术进行测试。CPMpy 系统实现了一个模块化的转换流程，解决了诸如处理否定和最小化辅助变量等挑战，并特别关注线性化非线性运算符以用于 ILP、PB 和 SAT 求解器。评估表明，约束模型在转换过程中会发生显著变化，这凸显了针对…
-
LLM 用于从研究论文构建 MaxSAT 求解器
研究人员探索了使用大型语言模型 (LLM) 构建 MaxSAT 求解器（命名为 CoreForge）的可能性，该求解器通过解读研究论文而非依赖现有代码库来完成。迭代过程包括与 ChatGPT 的讨论、通过 Codex 提示生成代码以及 LLM 辅助的代码审计。尽管 LLM 辅助的方法在实现求解器组件和通过评估方面显示出潜力，但生成的求解器的性能未能与手动设计的求解器相匹配，这凸显了人类监督和外部验证的必要性。
-
新的神经符号方法增强了VLM在数独问题上的推理能力
研究人员开发了一种新颖的神经符号方法，以提高视觉语言模型（VLMs）在解决数独等基于网格的谜题时的逻辑一致性。该方法集成了最大可满足性（MaxSAT）预言机，作为VLM生成赋值的验证器和精炼引擎。通过将候选放置编码为软子句，并将数独约束编码为硬子句，MaxSAT求解器在出现不一致时识别出最大的相互一致的赋值子集。这种以结构化文本和视觉格式提供的反馈，指导VLMs提高逻辑一致性并增加解决谜题的成功率。
-
ZeroFolio 使用文本嵌入进行无需领域知识的算法选择
研究人员开发了一种新颖的无特征算法选择方法，称为 ZeroFolio，它利用预训练的文本嵌入来区分问题实例，而无需领域特定知识。该方法包括将原始实例文件序列化为纯文本，使用预训练模型对其进行嵌入，然后通过加权 k-近邻选择算法。在 11 个 ASlib 场景上的评估表明，在大多数情况下，ZeroFolio 的表现优于在手工制作的特征上训练的随机森林，并且在没有广泛调优的情况下，其性能与 AutoFolio 非常接近。
-
新的CP方法优化树集成模型的反事实解释
研究人员开发了一种名为CPCF的新约束编程（CP）方法，用于计算树集成模型中的最优反事实解释。该方法将数值特征编码为区间域，并将离散特征用原生的有限域表示，从而无需连续边界分析即可实现高效搜索。该研究在各种数据集和树集成类型上将CPCF与MaxSAT和MILP方法进行了比较，发现CP是最通用且性能普遍最好的方法。
-
新求解器通过MaxSAT约简统一各类优化问题
研究人员开发了一种名为OP-to-MaxSAT约简的新方法，创建了一个名为GORED的通用优化求解器。该方法通过将各种优化问题转换为MaxSAT实例来统一求解，然后由现有求解器处理。对11种优化问题的实验表明，GORED能够成功解决广泛的问题，其解决方案质量可与专用方法相媲美。