Volba parametrů řešiče SATu pomocí technik strojového učení

Abstract

SAT řešiče jsou nezbytné nástroje pro mnohé oblasti počítačové vědy a průmyslu. Obsadily funkci univerzálního nástroje, který uživatelé používají k řešení problémů, jež by v opačném případě museli řešit ad-hoc, což by pravděpodobně nebylo zdaleka tak efektivní jako moderní SAT řešiče. V posledních dvou a více dekádách spojených s výzkumem SAT řešičů bylo vytvořeno mnoho heuristik. Ty nejefektivnější z nich jsou dnes neodmyslitelnou součástí moderních SAT řešičů, což dále zlepšuje jejich efektivitu v porovnání s jejich předchůdci. Heuristiky mohou být, před samotným provedením prohledávacího procesu konkrétní SAT instance, laděny jedním nebo více numerickými parametry. V této diplomové práci představuji nástroj, který za pomoci technik strojového učení předpovídá hodnoty těchto parametrů pro heuristiku z podkladové struktury SAT instance s cílem redukce výpočetního času.

SAT solvers are essential tools for many domains in computer science and engineering. SAT solvers took a place of a universal tool which their users use when in need for solution of their problems, which would otherwise require ad-hoc solution, which would probably be nowhere near the effectiveness of modern SAT solvers. Over the course of at least two decades of SAT related research, many heuristics were produced, most effective ones are embedded in SAT solvers of present day, which further increase their effectiveness compared to their predecessors. Heuristics can usually be tuned by single or multiple numerical parameters prior to executing the search process over the concrete SAT instance. In this thesis I present machine learning approach which predicts the parameter values for heuristic from underlying SAT instance structure in view of reducing computational time.