論文の概要: Evolutionary Diversity Optimisation in Constructing Satisfying
Assignments
- arxiv url: http://arxiv.org/abs/2305.11457v1
- Date: Fri, 19 May 2023 06:26:10 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-22 16:04:01.720669
- Title: Evolutionary Diversity Optimisation in Constructing Satisfying
Assignments
- Title(参考訳): 課題形成における進化的多様性の最適化
- Authors: Adel Nikfarjam and Ralf Rothenberger and Frank Neumann and Tobias
Friedrich
- Abstract要約: 本稿では,EDOの文脈におけるブール充足可能性問題(SAT)について検討する。
SATは計算機科学において非常に重要であり、KPやTSPといったEDO文献で研究されている他の問題とは異なる。
本稿では,SAT解の集合間の多様性を明示的に最大化するために,よく知られたSATソルバを用いた進化的アルゴリズムを提案する。
- 参考スコア(独自算出の注目度): 20.386139395296215
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Computing diverse solutions for a given problem, in particular evolutionary
diversity optimisation (EDO), is a hot research topic in the evolutionary
computation community. This paper studies the Boolean satisfiability problem
(SAT) in the context of EDO. SAT is of great importance in computer science and
differs from the other problems studied in EDO literature, such as KP and TSP.
SAT is heavily constrained, and the conventional evolutionary operators are
inefficient in generating SAT solutions. Our approach avails of the following
characteristics of SAT: 1) the possibility of adding more constraints (clauses)
to the problem to forbid solutions or to fix variables, and 2) powerful solvers
in the literature, such as minisat. We utilise such a solver to construct a
diverse set of solutions. Moreover, maximising diversity provides us with
invaluable information about the solution space of a given SAT problem, such as
how large the feasible region is. In this study, we introduce evolutionary
algorithms (EAs) employing a well-known SAT solver to maximise diversity among
a set of SAT solutions explicitly. The experimental investigations indicate the
introduced algorithms' capability to maximise diversity among the SAT
solutions.
- Abstract(参考訳): 与えられた問題に対する多様な解、特に進化的多様性最適化(EDO)は、進化的計算コミュニティにおいてホットな研究トピックである。
本稿では,EDOの文脈におけるブール充足可能性問題(SAT)について検討する。
SATは計算機科学において非常に重要であり、KPやTSPといったEDO文献で研究されている他の問題とは異なる。
SATは制約が強く、従来の進化作用素はSAT溶液を生成するのに非効率である。
SATの特徴は以下の通りである。
1)解を禁止したり,変数を修正したりする問題に,より多くの制約を加える可能性
2)ミニサットなどの文学における強力な問題解決者。
このような解法を多種多様な解集合の構築に利用する。
さらに、多様性の最大化は、あるSAT問題の解空間に関する貴重な情報を与えてくれる。
本研究では,一組のSAT解の多様性を明示的に最大化するためによく知られたSATソルバを用いた進化的アルゴリズム(EA)を提案する。
実験の結果,SATソリューション間の多様性を最大化するアルゴリズムの能力が示唆された。
関連論文リスト
- Self-Satisfied: An end-to-end framework for SAT generation and prediction [0.7340017786387768]
高速SAT問題生成のためのハードウェアアクセラレーションアルゴリズムと幾何SAT符号化を導入する。
これらの進歩により、何千もの変数と数万の節でSAT問題へのアプローチをスケールできます。
私たちの研究の基本的な側面は、SATデータの本質と、機械学習モデルのトレーニングに適合する可能性に関するものです。
論文 参考訳(メタデータ) (2024-10-18T22:25:54Z) - GraSS: Combining Graph Neural Networks with Expert Knowledge for SAT Solver Selection [45.222591894755105]
インスタンスの3部グラフ表現に基づくSATソルバ自動選択のための新しいアプローチであるGraSSを提案する。
我々は、新しいノードの特徴設計のようなドメイン固有の決定でグラフ表現を豊かにします。
生の表現とドメイン固有の選択の組み合わせが実行時の改善につながることを実証する。
論文 参考訳(メタデータ) (2024-05-17T18:00:50Z) - General Method for Solving Four Types of SAT Problems [12.28597116379225]
既存の方法は、様々なタイプのブール適合性問題(SAT)に対して様々なアルゴリズムを提供する。
本研究では,整数計画法と強化学習法(RL)に基づく統合フレームワークDCSATを提案する。
論文 参考訳(メタデータ) (2023-12-27T06:09:48Z) - Decomposing Hard SAT Instances with Metaheuristic Optimization [52.03315747221343]
分解硬度(d硬度)の概念を導入する。
d-硬度が$C$ w.r.tの硬度の推定値を示すことを示す。
論文 参考訳(メタデータ) (2023-12-16T12:44:36Z) - SEGO: Sequential Subgoal Optimization for Mathematical Problem-Solving [64.38649623473626]
大規模言語モデル(LLM)は人工知能の大幅な進歩を導いた。
数学的問題を解く能力を高めるために,textbfSEquential subtextbfGoal textbfOptimization (SEGO) という新しいフレームワークを提案する。
論文 参考訳(メタデータ) (2023-10-19T17:56:40Z) - Addressing Variable Dependency in GNN-based SAT Solving [19.38746341365531]
本稿では、繰り返しニューラルネットワークを統合したGNNベースのアーキテクチャであるAsymSATを提案し、可変代入に対する依存予測を生成する。
実験結果から,大規模テストセット上でのSATインスタンスの解数を改善することにより,依存変数予測がGNN方式の解解能力を拡張できることが示唆された。
論文 参考訳(メタデータ) (2023-04-18T05:33:33Z) - Estimating the hardness of SAT encodings for Logical Equivalence
Checking of Boolean circuits [58.83758257568434]
LEC インスタンスの SAT 符号化の硬さは SAT パーティショニングでは textitw.r. と推定できることを示す。
そこで本研究では, SAT符号化の難易度を精度良く推定できるパーティショニング法を提案する。
論文 参考訳(メタデータ) (2022-10-04T09:19:13Z) - SATformer: Transformer-Based UNSAT Core Learning [0.0]
本稿では,SAT 問題に対する Transformer ベースのアプローチである SATformer を紹介する。
SATformerは、問題を直接解決するのではなく、満足できないことに焦点をあてて、その問題を反対方向からアプローチする。
SATformerは、シングルビットの満足度結果と最小限の不満コアを使用して、マルチタスク学習アプローチでトレーニングされる。
実験の結果,SATformerは既存のソルバのランタイムを平均21.33%削減できることがわかった。
論文 参考訳(メタデータ) (2022-09-02T11:17:39Z) - DeepSAT: An EDA-Driven Learning Framework for SAT [9.111341161918375]
We present DeepSAT, a novel-to-end learning framework for the Boolean satisfiability (SAT) problem。
DeepSATは最先端の学習ベースSATソリューションに対して,大幅な精度向上を実現している。
論文 参考訳(メタデータ) (2022-05-27T03:20:42Z) - Machine Learning Methods in Solving the Boolean Satisfiability Problem [72.21206588430645]
本論文は, Boolean satisfiability problem (SAT) を機械学習技術で解くことに関する最近の文献をレビューする。
ML-SATソルバを手作り特徴を持つナイーブ分類器からNeuroSATのような新たなエンド・ツー・エンドSATソルバまで,進化するML-SATソルバについて検討する。
論文 参考訳(メタデータ) (2022-03-02T05:14:12Z) - Transformer-based Machine Learning for Fast SAT Solvers and Logic
Synthesis [63.53283025435107]
CNFベースのSATとMaxSATは論理合成と検証システムの中心である。
そこで本研究では,Transformerアーキテクチャから派生したワンショットモデルを用いて,MaxSAT問題の解法を提案する。
論文 参考訳(メタデータ) (2021-07-15T04:47:35Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。