《布尔可满足性问题SAT入门指南》

主要介绍了SAT求解器发展现状和DPLL/CDCL等算先进搜索算法，作为关于SAT问题的入门介绍，如有错误，请不吝指出。

持续更新中！！！！

---

目录

1. Boolean Satisfiability（SAT）综述

2. CDCL

2.1 DPLL

2.2 子句学习

2.3 非时序回溯

2.4 搜索重启

2.5 数据结构（lazy）

3. 总结

---

1. Satisfiability（SAT）综述

Satisfiability problem (SAT)是第一个被解决的NP-hard问题，是命题逻辑的决策问题，其中元素包括合适的命题公式、变量、逻辑运算符和括号。

SAT问题是指，给定一个命题公式查看其是否是可满足的，也就是说，我们是否可以将公式的变量设置为1(True，真)或0(False，假)，确定命题公式是否具有可满足的赋值(SAT，1)或没有任何可满足的赋值(UNSAT，0)。

假设存在一个公式，其本质是一个CNF（conjunctive normal form，合取范式），其中是命题变量，分别表示逻辑运算符“或”（disjunction，析取），“与”（conjunction，合取），“非”（negation，否定）。变量或其反变量是一个文字(literal)，文字的析取是一个子句(clause)。因此，上面的公式是四个子句的合取。我们可以通过将和置为1，置为0来满足公式：满足了第一、第三和第四个子句。第二个子句由满足。因此，所有子句均被满足。

因此，当且仅当存在一组赋值，使每个子句中至少有一个文字为1时，公式是可满足的。

存在Tseytin变换[1]能有效地将任何命题公式转化为CNF而不影响其满足性，如表1所示。

SAT问题已经成为有效解决各种计算问题的重要工具，从硬件和软件验证到规划、组合设计和软件依赖等。SAT广泛应用于知识表示、推理、和人工智能(AI)等领域，值得注意的是，通过使用SAT，数学组合学中存在已久的开放性问题得到了解决——例如，毕达哥拉斯三组问题。

一个可以有效地将原始问题转化为SAT问题，并用SAT原理解决的计算机程序被称为SAT求解器(SAT solver)。今天，SAT求解器是如此强大和健壮，以至于它们已经成为解决复杂计算问题的主要工具。求解器已经嵌入到复杂的过程中，以解决更复杂的问题，如优化问题(MaxSAT，伪布尔优化)或量化可满足性(QSAT)。图1是基于CDCL（conflict-driven clause learning，基于冲突的子句学习） SAT求解器的性能分析，我们可以看出解决问题的规模是很大的，在百万变量级别。它针对CNF输入进行优化，可用于很多应用，如图形优化问题、基于模型的诊断、协作路径查找以及机器学习模型的验证和解释等。

图1：SAT求解器的性能

CDCL算法可以分为以下几个部分：

1）DPLL算法（Davis-Putnam-Logemann-Loveland）

2）子句学习

3）非时序回溯

4）搜索重启

5）数据结构（lazy）

2. CDCL

2.1 DPLL

2.2 子句学习

2.3 非时序回溯

2.4 搜索重启

2.5 数据结构（lazy）

3. 总结

[1]Tseitin G S. On the complexity of derivation in propositional calculus[J]. Automation of reasoning: 2: Classical papers on computational logic 1967–1970, 1983: 466-483.