Пожалуйста, используйте этот идентификатор, чтобы цитировать или ссылаться на этот ресурс:
http://hdl.handle.net/11701/42140
Полная запись метаданных
Поле DC | Значение | Язык |
---|---|---|
dc.contributor.advisor | Сироткин Александр Владимирович | ru_RU |
dc.contributor.advisor | Sirotkin Aleksandr Vladimirovic | en_GB |
dc.contributor.author | Ангени Георгий Эдуардович | ru_RU |
dc.contributor.author | Angeni Georgij Eduardovic | en_GB |
dc.contributor.editor | Авдюшенко Александр Юрьевич | ru_RU |
dc.contributor.editor | Avdusenko Aleksandr Urevic | en_GB |
dc.date.accessioned | 2023-07-26T12:03:01Z | - |
dc.date.available | 2023-07-26T12:03:01Z | - |
dc.date.issued | 2023 | |
dc.identifier.other | 076590 | en_GB |
dc.identifier.uri | http://hdl.handle.net/11701/42140 | - |
dc.description.abstract | Работа посвящена повышению производительности SAT-решателей, в частности, улучшению эвристики ветвления, с помощью методов машинного обучения. Современные SAT-решатели используют детерминированные и легко интерпретируемые эвристики, такие как VSIDS, тогда как одним из многообещающих подходов является использование глубокой нейронной сети для этой задачи. Целью этого исследования является изучение реализации популярного подхода к обучению с глубоким подкреплением, называемого Graph-Q-SAT, и улучшение его производительности путем внесения нескольких изменений в первоначальную реализацию. В частности, основная цель состоит в сокращении количества ветвлений и времени, необходимого для решения задачи SAT, что позволит более эффективно внедрять SAT-решатели в решении промышленных задач. Это достигается путем встраивания нейронной сети в код решателя MiniSat с использованием C++ PyTorch API, чего не было сделано в первоначальном исследовании. Показано, что наша реализация требует в среднем почти в 4 раза меньше времени для решения задач SAT из распределения Random-3-SAT и по скорости превосходит Kissat, который является более продвинутым SAT-решателем, чем MiniSat. Кроме того, проводятся дополнительные эксперименты, которые показывают, в какой степени наша модификация улучшает производительность SAT-решателя. | ru_RU |
dc.description.abstract | The present thesis is devoted to improving the performance of SAT solvers using machine learning methods, particularly, improving the branching heuristic. Current state-of-the-art SAT solvers use deterministic and easily interpretable heuristics, such as VSIDS, whereas one of the promising approaches is to use a deep neural network for this job. The aim of this research is to study the implementation of the popular deep reinforcement learning approach called Graph-Q-SAT and to improve its performance by making several changes to the original implementation. In particular, the main goal is to reduce the amount of branching decisions and the wall-clock time required to solve a SAT instance, which allows for more efficient implementation of SAT solvers in industrial-scale scenarios. It is achieved by embedding the neural network in the MiniSat solver code using the C++ PyTorch API, which was not done in the original research. It is shown that our implementation takes on average almost 4 times less to solve SAT instances from the Uniform Random-3-SAT distribution and outperforms Kissat, a solver more advanced than MiniSat. Furthermore, additional experiments are conducted which show the extent to which our modification improves the performance of the SAT solver. | en_GB |
dc.language.iso | ru | |
dc.subject | Булева выполнимость | ru_RU |
dc.subject | нейронные сети | ru_RU |
dc.subject | обучение с подкреплением | ru_RU |
dc.subject | вычислительное программное обеспечение | ru_RU |
dc.subject | Boolean satisfiability | en_GB |
dc.subject | neural networks | en_GB |
dc.subject | reinforcement learning | en_GB |
dc.subject | computational software | en_GB |
dc.title | Finding heuristic rules for solving the Boolean satisfiability problem using machine learning methods | en_GB |
dc.title.alternative | Поиск эвристических правил для решения задачи булевой выполнимости методами машинного обучения | ru_RU |
Располагается в коллекциях: | BACHELOR STUDIES |
Файлы этого ресурса:
Файл | Описание | Размер | Формат | |
---|---|---|---|---|
Angeni_Graduation_Project.pdf | Article | 893,54 kB | Adobe PDF | Просмотреть/Открыть |
reviewSV_Otzyvy_naucnogo_rukovoditela_Angeni_podpisannyj.pdf | ReviewSV | 125,45 kB | Adobe PDF | Просмотреть/Открыть |
reviewSV_st076590_Angeni_Georgij_Eduardovic_(supervisor)(Ru).txt | ReviewSV | 10,51 kB | Text | Просмотреть/Открыть |
Все ресурсы в архиве электронных ресурсов защищены авторским правом, все права сохранены.