【算法学习笔记】6：SAT问题的一些经典求解策略

1 问题描述

布尔可满足性问题是给定一个合取范式(CNF)，即一系列析取形式的子句(clause)的合取式，问是否存在一组赋值使得整个式子为真。给出满足条件的赋值（说明是satisfied的），或者证明不存在这样的赋值（说明是unsatisfied的）。显然如果要整个CNF为真，则需要每个子句都为真。而对于每个子句内部是析取，所以需要至少有一项为真子句才能为真。

2 不完备算法

一类SAT求解算法是不完备(incomplete) 的，即对于给出的CNF算法只能证明可满足，或者算法只能证明不可满足，没办法对于可满足和不可满足的输入都证出。

2.1 Local Search

初始时随机给出一组赋值，然后带进去看看是否满足，如果有冲突，那就翻转变量取值，再冲突就再在里面翻转，并规定一个最大循环次数。

Local Search无法证明一个CNF是不满足的，能找到赋值的CNF显然就是满足的，但是没找到赋值的CNF也未必就是不满足的。

2.2 其它不完备算法

还有Genetic Algorithm、Simulated Annealing等，老师也没讲应该也用的不多，这里就记个名字吧。

3 完备算法

另一类SAT求解算法是完备(complete) 的，即给出任何CNF，都能证明它是满足的还是不满足的。

3.1 完备算法基本策略

完备算法中涉及两个基本策略(Basic Rules)，在完备算法中重点使用了这些策略。

3.1.1 纯字母(Pure Literals)

如果CNF中某个字母$x_i$的所有出现都是同一种形式，即要么都是$x_i$，要么都是$\neg x_i$，则说字母$x_i$是纯的。

这条规则意在说明如果CNF里发现了纯字母，所有带纯字母的子句都可以直接从CNF里删掉，因为可以直接让这个纯字母导出"真"而不会引起冲突，然后这些带纯字母的子句自然就都是"真"了。

例如：
$$\phi =(\neg x_1\vee \neg x_2)\wedge (x_1\vee \neg x_2)\wedge (x_2\vee x_3)\wedge (x_1\vee x_3)$$

这个CNF里$x_3$就是纯字母，所以包含它的后两个子句可以直接删除，化简下来
$$\phi =(\neg x_1\vee \neg x_2)\wedge (x_1\vee \neg x_2)$$

然后$\neg x_2$又是纯字母，这两个子句又可以直接删掉，那么整个CNF就是可满足的了，知$x_3=\neg x_2=\top$即可让整个CNF为真。

3.1.2 单元子句传播(Unit Propagation)

这个是在尝试赋值的过程中的一个规则。如果一个子句里面，其它字母都导出"假"，只剩一个字母了，这个子句叫单元子句(unit clause)，这时候这个字母就必须设置为"真"了，不然就会产生冲突。

而"传播"是在说这样的过程是一步步递进的，因为刚刚给一个字母指派为"真"了，又可能会导致其它子句成为单元子句，那么就可以继续应用这条规则。

例如：
$$\phi =(x_1\vee \neg x_2\vee \neg x_3)\wedge (\neg x_1\vee \neg x_3\vee x_4)\wedge (\neg x_1\vee \neg x_2\vee x_4)$$

假设到了某一步已经设置$\neg x_2=\neg x_3=\perp$，那么第一个子句就成了单元子句，所以必须有$x_1=\top$，这又导致后面两个子句成了单元子句，所以必须有$x_4=\top$，这时候发现整个CNF是可满足的，知$x_1=x_4=\top$即可让整个CNF为真。

当然，也可能会导致其它子句出现冲突，这时候就要根据具体的SAT求解算法的策略来回退了。

例如，对上面的例子，修改末尾的$x_4$变成$\neg x_4$：
$$\phi =(x_1\vee \neg x_2\vee \neg x_3)\wedge (\neg x_1\vee \neg x_3\vee x_4)\wedge (\neg x_1\vee \neg x_2\vee \neg x_4)$$

还是设置$\neg x_2=\neg x_3=\perp$，然后知$x_1=\top$，再执行一次单元子句传播，发现剩下两个单元子句既要$x_4=\top$又要$\neg x_4=\top$，这就发生冲突了。

3.2 消解法(Resolution)

该方法关注于将CNF里的某些子句消解成新子句，利用
$$(x\vee \alpha )\wedge (\neg x\vee \beta )⊢(\alpha \vee \beta )$$

如果CNF中同时出现了形如$(x\vee \alpha )$和$(\neg x\vee \beta )$的子句，就把它们替换成$(\alpha \vee \beta )$。

当消解出$\perp$子句时，说明原公式是不可满足的，如：
$$\begin{array}{rl}& (x_1\vee x_2)\wedge (\neg x_1\vee x_3)\wedge (\neg x_2)\wedge (\neg x_3)\\ ⊢& (x_2\vee x_3)\wedge (\neg x_2)\wedge (\neg x_3)\\ ⊢& (x_3\vee \perp )\wedge (\neg x_3)\\ ⊢& (x_3)\wedge (\neg x_3)\\ ⊢& \perp \end{array}$$

是不可满足的。

当消解出的公式中所有字母都是纯字母时，说明原公式是可满足的，如：
$$\begin{array}{rl}& (x_1\vee \neg x_2\vee \neg x_3)\wedge (\neg x_1\vee \neg x_2\vee \neg x_3)\wedge (x_2\vee x_3)\wedge (x_3\vee x_4)\\ ⊢& (\neg x_2\vee \neg x_3)\wedge (x_2\vee x_3)\wedge (x_3\vee x_4)\\ ⊢& (\neg x_3\vee x_3)\wedge (x_3\vee x_4)\\ ⊢& \top \wedge (x_3\vee x_4)\\ ⊢& (x_3\vee x_4)\end{array}$$

是可满足的，只要$x_3=\top$或$x_4=\top$。

3.3 Stalmarck’s Method

这个就是在搜索解空间树的时候用3.1中的基本规则进行剪枝，每次固定一个变量看其它的变量，如果出现了单元子句，则可以剪掉使解空间树矛盾的那一分支。该方法用来求解common assignments，即必须为$\top$或者必须为$\perp$的变量。

例如，对于：
$$\phi =(a\vee b)\wedge (\neg a\vee c)\wedge (\neg b\vee d)\wedge (\neg c\vee d)$$

先设置$a=\perp$，则发现$(a\vee b)$是单元子句（因此可以剪掉$b=\perp$的分支），必须有$b=\top$，然后进行传播，发现$(\neg b\vee d)$是单元子句，因此$d=\top$，推理至此无法继续进行。

再设置对立面$a=\top$，则发现$(\neg a\vee c)$是单元子句，必须有$c=\top$，发现$(\neg c\vee d)$是单元子句，因此$d=\top$，推理至此无法继续进行。

合之，知$d=\top$是一条common assignment，将这个真值指派代入原公式，再继续应用此方法求解。

这个例子不是很好，因为这个例子里$d$是纯字母，实际上后两个子句一开始就可以直接扔掉。

3.4 Recurive Learning

Recurive Learning和Stalmarck’s Method一样也是求解common assignments的，只不过Stalmarck’s Method是固定一个变量的正反两面，而Recurive Learning则是让一个子句内的每个字母分别取$\top$。

例如，还是对于：
$$\phi =(a\vee b)\wedge (\neg a\vee c)\wedge (\neg b\vee d)\wedge (\neg c\vee d)$$

取第一个子句$(a\vee b)$，要让整个公式满足，这个子句内至少有一个字母要满足。

先设置$a=\top$，则$(\neg a\vee c)$是单元子句，知$c=\top$，则$(\neg c\vee d)$是单元子句，知$d=\top$，至此无法继续传播。

再设置$b=\top$，则$(\neg b\vee d)$是单元子句，知$d=\top$，至此无法继续传播。

合之，知$d=\top$是一条common assignment，将这个真值指派代入原公式，再继续应用此方法求解，或者3.3和3.4一起用也可以。

3.5 回溯法(DPLL)

DPLL就是标准的子集树回溯，在每步搜索的时候也要去应用3.1中的基本规则进行剪枝，并检查是否有发生冲突的子句，发生冲突时就立即回溯。当找到一个到叶子结点的路径时就说明这个CNF是可满足的，如果回溯完也没找到，就说明是不可满足的。

这里核心就在冲突检查上，例如，下面是DPLL搜索中的某一步：

这时是在$a=\perp$这一分支上尝试$\neg b=\perp$这一分支，这使得第一个子句和第二个子句成为单元子句，所以$d=e=\top$，而这导致第三个子句为假，因此这时要立即回溯，转而搜索$\neg b=\top$这一分支。

3.6 Conflict-Driven Clause Learning

CDCL直译过来就是冲突驱动子句学习，是在DPLL基础上进行改进得到的。

当在回溯搜索过程中发生冲突时，即可从"当前的搜索路径会导致冲突"这一事实，依据路径上的变量赋值，学习出一个子句项。例如，对于：
$$\phi =(a\vee b)\wedge (\neg b\vee c\vee d)\wedge (\neg b\vee e)\wedge (\neg d\vee \neg e\vee f)...$$

在搜索路径决策为$c=\perp$且$f=\perp$时，下一步尝试$a=\perp$会导致$(a\vee b)$是单元子句，所以$b=\top$，进而导致$(\neg b\vee e)$是单元子句，从而$e=\top$，进而导致$(\neg d\vee \neg e\vee f)$产生冲突。

这时可以学习到$(\neg c\wedge \neg f\wedge \neg a)=\perp$，所以可以在原CNF中析取一个子句$(c\vee f\vee a)$。

CDCL的另一个特点是，发生冲突时，应当按照导致冲突的子句进行回溯，而不必按照变量的决策顺序（不必按照时间序）仅回退到上一层。

例如，某个决策顺序是$c=\perp$，$f=\perp$，$h=\perp$，$i=\perp$。接下来在搜索$a=\perp$时发生冲突，冲突的子句是$(a\vee c\vee f)$，而在此基础上搜索$a=1$时仍然发生冲突。这时不必回退到$i=\top$，而是根据刚刚的子句$(a\vee c\vee f)$，接下来去搜索$c=\top$或$f=\top$，而$c$的拓扑序在$f$前面，因此接下来搜索$c=\perp$且$f=\top$的情况，即直接回溯到$f$这一层。