Learning Interpretable Heuristics for WalkSAT

要約

ローカル検索アルゴリズムは、充足可能性問題 (SAT) の大規模で難しいインスタンスを解決するためのよく知られた方法です。
これらのアルゴリズムのパフォーマンスは、ノイズ パラメーターの設定と変数のスコアリングのヒューリスティックに大きく依存します。
これらのヒューリスティックの最適な設定は、インスタンスの分布によって異なります。
この論文では、強化学習を使用して効果的な変数スコアリング関数とノイズパラメータを学習するアプローチを紹介します。
私たちはさまざまなインスタンス分布からの充足可能性問題を検討し、それぞれに特化したヒューリスティックを学習します。
私たちの実験結果は、WalkSAT ベースラインと別のローカル検索学習ヒューリスティックの両方に関して改善を示しています。

要約(オリジナル)

Local search algorithms are well-known methods for solving large, hard instances of the satisfiability problem (SAT). The performance of these algorithms crucially depends on heuristics for setting noise parameters and scoring variables. The optimal setting for these heuristics varies for different instance distributions. In this paper, we present an approach for learning effective variable scoring functions and noise parameters by using reinforcement learning. We consider satisfiability problems from different instance distributions and learn specialized heuristics for each of them. Our experimental results show improvements with respect to both a WalkSAT baseline and another local search learned heuristic.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google