[学习笔记]2-SAT

概述

首先我们需要知道什么是SAT问题。
n 个布尔变量,m个布尔表达式。
是否存在一个方案,我们给这 n 个变量赋合适的值,使得这m个表达式最终的答案都是 1
k-SAT的含义是这m个表达式最多只有k个变元。
k3 时k-SAT都可以规约到3-SAT问题,3-SAT是NP完全问题,不存在多项式解法。
但是1-SAT或2-SAT是存在多项式解法的。

符号与约定

bool逻辑运算符号
or:
and:
not: ¬
所有的16种bool二元运算都可以用以上三种表示。
a xor b=(ab)(¬a¬b)

1-SAT

描述

形如 f=p1p2p3...pm 的表达式。
f 的取值是否可能为1
p 为一元表达式,可能有两种情况:
1.xi
2. ¬xi

解决方案

我们只需要判断是否同时存在 xi ¬xi 即可。
如果存在,那么一定是不可满足的。
反之,则一定是可满足的的。

2-SAT

描述

形如 f=p1p2p3...pm 的表达式。
f 的取值是否可能为1
p 为二元表达式,可能有四种情况:
xiyi
¬xiyi
xi¬yi
¬xi¬yi

解决方案

考虑构建图的模型。
把每个变量的 0,1 取值看拆成两个点。
p=xy
那么若 x=0 ,为了使得这个表达式为 1 ,则y=1
就在图中 x0y1 连边。
同理若 y=0 ,则 x=1 ,所以 x0x1
如果一个图中的点构成了强连通分量,那么这些点所代表的变量的取值,一定是全部满足的。
所以如果 x0,x1 同时出现在了同一强连通分量,那么 f 必然不可满足。
如果没有这种情况,则必然存在一种方案使得f=1

更一般的情况

上面提到了所有的布尔二元运算都可以转化成 ¬ 的表达。
事实上,我们不是一定要将表达式转化为一般形式。
以xor为例。
我们按照若 x ,则y,就连边 xy 的规则。
x0y1
x1y0
y0x1
y1x0
这和拆分后的连边是等价的。
对于实际问题来说,我们也可以用这种方式。
如果出现若选 x 则必然选y,或者若选 x 则必然不选y的类似语句,就可以使用2-SAT问题的模型解决。

算法实现

1.O(N+M)

先依照关系建图。
使用tarjan求出强连通分量。
判断每个变量 0,1 取值是否在一个强连通分量。
主要用于判断是否可满足和求一组可行解
寻找可行解可以进行拓扑排序+黑白染色。
同色的即为一个可行方案。

2.O(NM)

先依照关系建图。
枚举每个变量的取值,看是否能推出矛盾,如不能,则确定。
如果某个变量两个变量都不可行,则不可满足。
主要用于寻找字典序最小解
按照字典序从小到大的顺序枚举即可。

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值