结合变量决策层和全局学习率的启发式优化算法
打开文本图片集
摘 要：冲突驱动子句学习（conflict-driven clause learning，CDCL）是现代SAT求解器的主流框架，而基于变量活性的分支算法是其高效求解的关键因素之一。将全局学习率（global learning rate，GLR）和变量决策层结合分析，得到两个有关CDCL搜索行为的重要推论：在GLR较高时，增加低决策层变量的碰撞分数可以降低搜索成本；而在GLR较低时，增加高决策层变量的碰撞分数可以充分探索解空间。（剩余23682字）