जवाबों:
रिज़ॉल्यूशन सर्च (बस कुछ अच्छे उत्तराधिकारियों के साथ रिज़ॉल्यूशन नियम को लागू करना) सैट सॉल्वरों के लिए एक और संभावित रणनीति है। सैद्धांतिक रूप से यह घातीय रूप से अधिक शक्तिशाली है (यानी इसमें ऐसी समस्याएं मौजूद हैं जिनके लिए डीपीएलएल की तुलना में इसके घातीय छोटे प्रमाण हैं) (जो कि सिर्फ पेड़ के संकल्प को दर्शाता है, हालांकि आप इसकी शक्ति बढ़ाने के लिए इसे नग्न सीखने के साथ बढ़ा सकते हैं - क्या यह उतना ही शक्तिशाली है जितना सामान्य संकल्प अभी भी है जहाँ तक मैं जानता हूँ) के रूप में खुला है, लेकिन मैं एक वास्तविक कार्यान्वयन के बारे में नहीं जानता जो बेहतर प्रदर्शन करता है।
यदि आप खोज को पूरा करने के लिए खुद को सीमित नहीं करते हैं, तो वॉकसैट एक स्थानीय खोज सॉल्वर है जिसका उपयोग कई मामलों में संतोषजनक समाधान और डीपीएलएल-आधारित खोज को बेहतर बनाने के लिए किया जा सकता है। जब तक कोई भी सभी कार्य को विफल नहीं कर देता, जो कि घातीय स्मृति आवश्यकताओं का अर्थ होता है, तब तक वह असंतोषजनक साबित करने के लिए इसका उपयोग नहीं कर सकता है।
संपादित करें: जोड़ना भूल गए - कटिंग विमानों का उपयोग भी किया जा सकता है (SAT को पूर्णांक प्रोग्राम को कम करके)। विशेष रूप से गोमरी में किसी भी पूर्णांक कार्यक्रम को इष्टतमता में हल करने के लिए कटौती होती है। सबसे खराब स्थिति में, एक घातीय संख्या की आवश्यकता हो सकती है। मुझे लगता है कि अरोड़ा एंड बराक की कम्प्यूटेशनल कॉम्प्लेक्सिटी बुक में प्रूफ सिस्टम के कुछ और उदाहरण हैं जो एसएटी हल करने के लिए किसी चीज के लिए सिद्धांत रूप में उपयोग कर सकते हैं। फिर, मैंने वास्तव में डीपीएलएल-आधारित या स्थानीय खोज आधारित विधियों के अलावा किसी भी चीज़ का तेजी से कार्यान्वयन नहीं देखा है।
सर्वेक्षण प्रसार एक और एल्गोरिथ्म है जिसका उपयोग कुछ प्रकार की SAT समस्याओं, विशेष रूप से यादृच्छिक SAT उदाहरणों पर सफलता के साथ किया गया है। वॉकसैट की तरह, इसका उपयोग असंतोषजनकता साबित करने के लिए नहीं किया जा सकता है, लेकिन यह वॉकसैट से बहुत अलग विचारों (संदेश-गुजर एल्गोरिदम) पर आधारित है।
आप यह भी कह सकते हैं, कि सभी CSP सॉल्वर भी SAT सॉल्वर हैं। और जहाँ तक मुझे पता है कि CSP में उपयोग की जाने वाली दो विधियाँ हैं:
मोंटे कार्लो ट्री सर्च (MCTS) ने हाल ही में Go जैसे गेम पर कुछ प्रभावशाली परिणाम हासिल किए हैं। किसी न किसी मूल विचार पेड़ खोज के साथ यादृच्छिक सिमुलेशन interleaving है। यह हल्का और लागू करना आसान है, मैंने जो रिसर्च हब पेज लिंक किया है उसमें कई उदाहरण, कागजात और कुछ कोड भी हैं।
प्रीविती एट अल। [1] ने एमटीटीएस की कुछ प्रारंभिक जांच सैट पर लागू की। वे एमसीटीएस-आधारित खोज एल्गोरिथ्म यूसीसैट ("पेड़ों पर लगाए गए ऊपरी विश्वास सीमाएं" कहते हैं, यदि आप करेंगे)। उन्होंने डीपीएलएल और यूसीसैट के प्रदर्शन की तुलना एसएटीएलआईबी रिपॉजिटरी से उदाहरणों पर की, यह देखने के लक्ष्य के साथ कि यूसीसैट डीपीएलएल की तुलना में काफी छोटे खोज पेड़ का उत्पादन करेगा।
विभिन्न आकारों के समान यादृच्छिक 3-सैट और फ्लैट-ग्राफ रंग उदाहरणों के लिए, कोई महत्वपूर्ण अंतर नहीं थे। हालांकि, UCSAT ने वास्तविक दुनिया के उदाहरणों के लिए बेहतर प्रदर्शन किया। चार अलग-अलग एसएसए सर्किट गलती विश्लेषण उदाहरणों के लिए औसत पेड़ के आकार (नोड्स की संख्या के संदर्भ में) डीपीएलएल के लिए कई हजारों में थे, जबकि यूसीसैट के लिए हमेशा 200 से कम।
DPLL सख्ती से परिवर्तनशील-विज़िट ऑर्डर को निर्दिष्ट नहीं करता है और इष्टतम चर ऑर्डरिंग स्ट्रैटजी को देखने के लिए बहुत सारे दिलचस्प शोध हैं। इनमें से कुछ को SAT एल्गोरिथम में परिवर्तनशील चयन तर्क में शामिल किया गया है। इस अर्थ में, इस शोध में कुछ प्रारंभिक है कि यह दर्शाता है कि अलग-अलग चर हमले के क्रम में विभिन्न अनुक्रमिक विवशता होती है (जो कि उदाहरण कठोरता के साथ अत्यधिक सहसंबद्ध है), और इस प्रभावी रूप से महत्वपूर्ण अंतर्दृष्टि का फायदा उठाने के लिए सबसे प्रभावी उत्तराधिकार या रणनीति तैयार करना लगता है। अनुसंधान के प्रारंभिक चरण में।