結(jié)合變量決策層和全局學(xué)習(xí)率的啟發(fā)式優(yōu)化算法

打開文本圖片集

摘 要：沖突驅(qū)動子句學(xué)習(xí)（conflict-driven clause learning，CDCL）是現(xiàn)代SAT求解器的主流框架，而基于變量活性的分支算法是其高效求解的關(guān)鍵因素之一。將全局學(xué)習(xí)率（global learning rate，GLR）和變量決策層結(jié)合分析，得到兩個有關(guān)CDCL搜索行為的重要推論：在GLR較高時，增加低決策層變量的碰撞分?jǐn)?shù)可以降低搜索成本；而在GLR較低時，增加高決策層變量的碰撞分?jǐn)?shù)可以充分探索解空間。（剩余23682字）