利用深度学习构建带性能界限的随机局部搜索 SAT 求解器

利用图神经网络训练适用于布尔可满足性问题的 SLS 求解器，可显著提高性能，平均解决比例更高、步骤更少，具有性能保证。

该文介绍了使用机器学习模型改进 SAT 求解器的启发式算法，以减少步数和总运行时间。作者建议使用训练好的机器学习模型进行几个初始步骤，然后将控制权交给经典启发式算法，以简化 SAT 求解的冷启动。作者还介绍了一种改进的 Graph-Q-SAT，专门针对从其他领域转换而来的 SAT 问题。作者通过随机和工业 SAT 问题验证了该方法的可行性。

Graph-Q-SAT SAT 冷启动 启发式算法 机器学习 深度学习
原文约400字/词，阅读约需1分钟。发表于：。
阅读原文
分享给好友