解决约束满足问题的SMT求解器——基于z3+Python的入门案例

---

1. 前言

近年来，在一些实际的应用场景中，约束规划求解器的优势愈发显现，由于特定场景下的约束条件非常复杂，且并不需要像数学规划一样给出一个最优的方案，而是需要在较短的时间内得到一个可行的次有方案，这种场景下，约束规划求解器往往能具有较好的表现。

这类只需要考虑能否满足约束的求可行解的问题，称为约束满足问题，在许多具体领域诸如人工智能、信息安全、集成电路设计、软件验证等都有广泛应用。

2. 约束满足问题 CSP/SAT/SMT 的联系与区别

2.1 Constraint Satisfaction Problem

如前文介绍的 OR-Tools 的 CP-SAT 求解器，可以视为约束满足问题（Constraint Satisfaction Problem，CSP）求解器，根据 相关文章 的解释：一组变量（类型可以是整数、实数等），每个变量有自己的值域，当每个变量都有自己的赋值且满足所有关于变量的约束时，问题就得到了解决，这类问题就叫做约束满足问题。

这是在数学建模中常见的形式，一般不涉及逻辑表达式和逻辑推理，例如下面两条约束，默认是同时满足所有的约束，即