本文关注的是针对布尔满足问题（SAT）的随机局部搜索（SLS），并提出了一种利用图神经网络（GNN）学习的算法，用于计算变量选择启发式。通过强化学习训练求解器，使用GNN选择变量进行翻转以优化解决方案。实验将所学的策略与WalkSAT等基线进行了比较，并展示了在组合优化问题中应用机器学习的潜力。
Learning Local Search Heuristics for Boolean Satisfiability
Abstract
GNN (select variable) + local search algorithm.
RL，初始X，GNN结合sofetmax作为policy 函数，选择p最大的variable翻转，每个Trajectory有一个reward（找到使得fai为真的reward为1），训练参数。
SAT problem: 属于[决定性问题]，也是第一个被证明属于[NP完全]
命题逻辑公式，也称为布尔表达式，由变量，运算符AND（连接，也用∧表示），OR（分离，∨）， NOT （否定，¬）和括号构成。如果通过为其变量分配适当的逻辑值（即TRUE，FALSE）可以使公式为TRUE，则称该公式是可满足的.
子句（Clause）就是每个人的愿望清单，eg,x1∨¬x2
文字（Literal）就是一个愿望 eg, x1,¬x2…
命题变元（Variable）x的真假值
最低0.47元/天 解锁文章
扫一扫
3065
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
