基于学习-推理的约束求解方法研究进展

摘要：

机器学习与自动推理的融合是当前人工智能研究的新趋势.约束满足问题是人工智能研究的经典问题,现实世界中大量的调度、规划和配置等问题均可以建模为约束满足问题,高效的求解算法一直是研究热点.近年来涌现出众多将机器学习应用于约束满足问题求解的新方法,这些基于"学习-推理"的新方法为约束满足问题求解开辟了新方向并展示出巨大发展潜力,方法的突出优点是适应性强、可在线优化并具有更强的可扩展性.将当前的"学习-推理"方法分为基于消息传递神经网络、基于序列到序列和基于最优化等 3 类进行综述,详细分析各类方法的特点和在不同的问题集上求解效果,尤其对每类方法所涵盖的相关工作进行多角度的对比分析.最后,对基于"学习-推理"的约束求解方法进行总结和展望.

关键词：约束满足问题、消息传递神经网络、序列到序列、强化学习、最优化

所属期刊栏目：35

分类号：TP18(自动化基础理论)

资助基金：国家自然科学基金;国家自然科学基金;吉林省自然科学基金

在线出版日期：2024-01-17（万方平台首次上网日期，不代表论文的发表时间）

页数：共16页

页码：220-235