沙尔马，舒巴姆；拉胡尔·古普塔；罗伊，苏巴吉特；Kuldeep S.梅尔。 知识汇编符合统一抽样。 （英语） Zbl 1415.68205号 Barthe，Gilles（编辑）等人，LPAR-22。第22届编程、人工智能和推理逻辑国际会议，埃塞俄比亚阿瓦萨，2018年11月17日至21日。精选论文。曼彻斯特：EasyChair。EPiC系列。计算。57, 620-636 (2018). 摘要：均匀抽样在编程语言和软件工程中有着广泛的应用，如在约束随机验证（CRV）、约束模糊化和错误合成中。这些应用程序的有效性取决于由给定约束集生成的测试刺激的一致性。尽管在过去几年中取得了重大进展，但最先进技术的性能仍然低于行业中使用的启发式方法，这些方法在生成刺激时牺牲了一致性或可扩展性。在本文中，我们提出了一种基于知识编译最新进展的统一生成方法。本文的主要贡献是将知识编译与均匀采样相结合：我们的算法，库什大学，使用最先进的知识编译器首先将约束编译为d-DNNF形式，然后通过对编译的表示进行两次传递来生成示例。我们证明了这一点KUS公司能够显著优于现有最先进的算法，SPUR标准和UniGen2公司，在运行时间方面最多增加3个数量级，同时实现了1.7倍和8.3倍的几何加速SPUR标准和UniGen2公司分别是。也，库什大学PAR-2得分较低，约为SPUR标准和（0.38倍）UniGen2公司此外，库什大学对于增量采样，可实现高达3个数量级的加速。由生成的分布KUS公司与理想均匀采样器产生的结果在统计上无法区分。此外，库什大学几乎忽略了请求的样本数量。有关整个系列，请参见[Zbl 1407.68021号]. 引用于2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） 68瓦40 算法分析 关键词：约束均匀采样；d-DNNF；知识汇编；SAT求解 PDF格式BibTeX公司 XML格式引用 \textit{S.Sharma}等人，EPiC Ser。计算。57、620--636（2018；Zbl 1415.68205） 全文： 内政部