[Ingediend op 7 mei 2020]

PDF downloaden

Abstract: Er zijn twee concurrerende paradigma's bij succesvolle SAT-oplossers: Conflict-driven
clausule leren (CDCL) en stochastisch lokaal zoeken (SLS). CDCL gebruikt systematisch
verkenning van de zoekruimte en heeft de mogelijkheid om nieuwe clausules te leren. SLS
onderzoekt de buurt van de huidige volledige opdracht. In tegenstelling tot CDCL
mist het vermogen om van zijn fouten te leren. Dit werk draait om de
vraag of het voor SLS voordelig is om nieuwe clausules aan het origineel toe te voegen
formule. We hebben experimenteel aangetoond dat clausules met een groot aantal
correcte literals met een vaste oplossing zijn gunstig voor de looptijd van
SLS. We noemen dergelijke clausules clausules van hoge kwaliteit.

Empirische evaluaties tonen aan dat door CDCL geleerde korte clausules de
hoogwaardig kenmerk. We bestuderen verschillende domeinen van willekeurig gegenereerd
voorbeelden en leid de meest gunstige strategieën af om clausules van hoge kwaliteit toe te voegen
als een voorbewerkingsstap. De strategieën zijn geïmplementeerd in een SLS-oplosser, en
er wordt aangetoond dat dit de stand van de techniek op willekeurige wijze aanzienlijk verbetert
gegenereerde instanties. De resultaten zijn statistisch significant.