梁家辉；哦，Chanseok；马修，米诺；西扎·托马斯；李春晓；维杰·加内什 CDCL SAT解算器的基于机器学习的重启策略。 （英语） Zbl 1511.68253号 Beyersdorff，Olaf（编辑）等人，《可满足性测试的理论和应用——2018年SAT》。2018年7月9日至12日，作为联邦逻辑会议的一部分，在英国牛津举行的2018年第21届国际会议SAT。诉讼程序。查姆：斯普林格。莱克特。注释计算。科学。10929, 94-110 (2018). 小结：在大多数现代冲突驱动的子句学习（CDCL）SAT解题器中，重述是一种至关重要的启发式方法。关于重启为什么以及如何使CDCL解算器高效扩展的确切原因仍不清楚。在本文中，我们解决了这个问题，并提供了一些答案，使我们能够设计一种新的有效的基于机器学习的重启策略。具体地说，我们提供了证据，证明重新启动提高了学习的子句的质量，这是通过一个最著名的子句质量度量指标来衡量的，即字块距离（LBD）。更准确地说，我们发现更频繁的重新启动会降低学习子句的LBD，从而提高求解器性能。我们还注意到，过多的重新启动可能是有害的，因为从头开始重建搜索树的计算开销太频繁了。考虑到这种权衡，在学习更好的子句与重建搜索树的计算开销之间，我们引入了一种新的基于机器学习的重新启动策略，该策略基于以前学习的子句的历史来预测下一个学习子句的质量。如果重新启动策略预测下一个学习子句的质量低于由求解器在给定输入上的历史确定的某个动态阈值，则会在运行期间擦除求解器的搜索树。我们基于机器学习的重启策略是基于我们对所学子句的LBD研究中收集到的两个观察结果。首先，我们发现高LBD百分位数可以用正态分布的z分数近似。其次，我们发现LBD（作为一个序列）是相关的，因此过去所学分句的LBD可以用来预测未来分句的LBD。有了这些观察结果以及利用这些观察结果的技术，我们的新重启政策在2014年至2017年SAT竞赛的大型基准上表现出了有效性。关于整个系列，请参见[Zbl 1390.68015号]. 引用于5文件 MSC公司： 68T20型 人工智能背景下的问题解决（启发式、搜索策略等） 68T05型 人工智能中的学习和自适应系统 软件：ManySAT公司；UnitWalk公司；弯曲；玲玲；DRAT微调；通信卫星；亚当；StarExec公司；Treengeling公司 PDF格式BibTeX公司 XML格式引用 \textit{J.H.Liang}等人，Lect。注释计算。科学。10929，94-110（2018；Zbl 1511.68253） 全文： 内政部