基于枚举解上CNN模式识别的流线型约束推理
人工智能
2026-05-20 v1
摘要
约束编程从业者通过按风险顺序应用一系列分层技术来加速难题求解。标准强化（对称破缺和隐含约束）首先应用并保持可满足性。流线型约束将搜索限制在解的一个结构子族上，不保持可满足性，被保留为最后的手段。现有的自动化流线型合成方法要么搜索约束语法，要么直接在问题模型上提示大型语言模型。我们提出了一种不同的方法：枚举可行解，对比性地训练卷积神经网络（CNN）以区分扰动非解来检测结构模式，并通过LLM驱动的合成将CNN的判别信号转化为候选的MiniZinc流线型约束。CNN将LLM的约束生成建立在观察到的解结构上，而不仅仅是模型文本。我们在流线型发现是剩余性能杠杆的强化基准模型上进行评估。我们的流程在强化的Vessel Loading上实现了98.8%的组合时间缩减，在强化的Social Golfers上实现了98.6%，在Black Hole上实现了89.4%，其中最佳单一流线型约束分别达到了932倍、356倍和1103倍的几何平均加速。发现的流线型约束包括Vessel Loading上基于类的打包约束、Social Golfers上超越强化的规范化约束，以及Black Hole上的布局坐标界限。
引用
@article{arxiv.2605.19895,
title = {Streamlined Constraint Reasoning via CNN Pattern Recognition on Enumerated Solutions},
author = {Patrick Spracklen},
journal= {arXiv preprint arXiv:2605.19895},
year = {2026}
}