计算机科学 > 人工智能
[提交于 2025年7月1日
]
标题: 通过MCSAT集成改进SMT-NRA中的局部搜索
标题: Advancing Local Search in SMT-NRA with MCSAT Integration
摘要: 在本文中,我们推进了满足非线性实数算术理论的可满足性问题(SMT-NRA)的局部搜索。 首先,我们引入了一种二维单元跳跃移动,称为\emph{$2d$-单元跳跃},这是 SMT-NRA 局部搜索方法中的关键操作单元跳跃的推广。 然后,我们提出了一种扩展的局部搜索框架,命名为\emph{$2d$-LS}(遵循 SMT-NRA 的局部搜索框架 LS),将模型构建可满足性演算(MCSAT)框架集成以提高搜索效率。 为了进一步提高 MCSAT 的效率,我们实现了一种最近提出的称为\emph{样本单元投影算子}的技术,该技术非常适合实数域中的 CDCL 风格搜索,并有助于引导搜索远离冲突状态。 最后,我们设计了一个结合 MCSAT、$2d$-LS 和 OpenCAD 的 SMT-NRA 混合框架,通过信息交换提高搜索效率。 实验结果展示了局部搜索性能的提升,突显了所提出方法的有效性。
文献和引用工具
与本文相关的代码,数据和媒体
alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)
演示
推荐器和搜索工具
arXivLabs:与社区合作伙伴的实验项目
arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。
与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。
有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.