27、工业 SAT 实例中的特征向量中心性与奇偶约束分类传播研究

工业 SAT 实例中的特征向量中心性与奇偶约束分类传播研究

在工业应用中，命题可满足性（SAT）问题的求解至关重要。本文围绕两个关键方面展开研究，一是工业 SAT 实例中文字和变量的中心性与冲突驱动子句学习（CDCL）求解器搜索行为的关联，二是奇偶约束的分类和传播方法。

特征向量中心性与 CDCL 求解器行为关联

在研究中，计算了文字和变量的中心性，且该中心性仅在搜索开始时计算，搜索过程中保持不变。通过分析发现，中心性与 CDCL 求解器在搜索过程中的多种行为相关。

为了研究变量偏差对搜索的影响，定义了变量的偏差 $bi(x) = \frac{C_{x}^{pos} - C_{x}^{neg}}{C_{x}^{pos} + C_{x}^{neg}}$，其值在 -1 到 1 之间，同时定义了“观测偏差” $ob(x) = \frac{N_{x}^{pos} - N_{x}^{neg}}{N_{x}^{pos} + N_{x}^{neg}}$。其中，$C_{x}^{pos}$ 和 $C_{x}^{neg}$ 分别是文字 $x$ 和 $\neg x$ 的中心性，$N_{x}^{pos}$ 和 $N_{x}^{neg}$ 分别是文字 $x$ 和 $\neg x$ 在 CDCL 搜索中传播的次数。

为了研究 $bi(x)$ 和 $ob(x)$ 之间的关系，计算了它们之间的差异 $d(x) = |bi(x) - ob(x)|$，其值在 0 到 2 之间。值为 0 表示 CDCL 求解器严格遵循 $bi(x)$ 的预测，值为 1 表示未遵循预测，值为 2 表示系统地采取相反的操作。同时，仅考虑 $|bi(x)| > 0.5$ 的变量为“有偏差”的变量，对于 $ob(x