[发明专利]一种基于图的布尔可满足性问题的目标算法预测方法

说明书

本发明公开了一种基于图的布尔可满足性问题的目标算法预测方法，包括以下步骤：设计图结构，然后输入问题集里的每个布尔可满足性问题的原始定义，输出相关的图结构表示并构建一组对应于原始问题的图结构数据集；搭建一个图结构到文档结构的转换模型，构建一组对应于原始布尔可满足性问题的文档数据集；搭建一个文档向量化模型，构建一组对应于原始布尔可满足性问题的向量；选择一个分类模型或回归模型，训练该模型使其学会对布尔可满足性问题的目标算法进行预测。本发明利用图的强大表示能力，将每个SAT问题的原始表示转换成图的逻辑表示，并以无监督的方式从图中学习到有效的特征，最后根据该特征对问题的目标算法预测进行学习并应用。

技术领域

本发明属于计算机技术领域，特别涉及应用图结构分析布尔可满足性问题的目标算法预测方法。

背景技术

决定性问题是计算机领域的经典问题，也是现实世界中广泛存在的问题。它类似于以下的这种问题描述，给定问题需要的所有输入，输出为是或者否，一般情况下，确定问题的输出为是，如何获得满足这一输出的输入便是我们的目标。根据问题的难易程度，决定性问题分为P，NP，NP-Complete和NP-Hard几个等级。P问题是最简单的决定性问题，它可以在多项式时间内获得解，然而，对于其他三个等级的问题，广义上不存在某个可以在多项式时间内求得解的算法，它们只能在多项式时间内对任意一个给定的解验证它的正确性。P问题也是NP问题的子集，这就意味着某些具体的NP问题实际上也存在近似可行的算法，但是，我们并不知道某些算法可行，某些算法不可行。于是，算法预测的技术可以帮助我们从现有的算法集中搜寻针对某一具体问题可行的算法。算法预测通常需要对问题的结构进行分析，从而根据结构差异和已知的可行的算法学习归纳出某种潜在的规律，然后基于此规律在指定的算法集里寻找目标算法。

布尔可满足性问题(SAT)是第一个被证明的NP-Complete问题，基于该问题的算法预测研究大部分都是人工的分析问题并手动构建特征，这是非常耗时且耗力的方式，而且研究人员的主观性也会将一些偏见带入到问题特征的构建中。后来，一种基于神经网络的方法可以自动地学习问题的特征并归纳出算法预测的规律，虽然该方法摒弃了耗时耗力的人工特征，但是由于神经网络的对数据的高要求，以及它的输入格式的缺陷，它其实并没有帮助我们节省可观的成本，也不可能帮助人们理解这种算法预测背后的规律。

发明内容

本发明的目的是提供一种基于图的布尔可满足性问题的目标算法预测方法，通过自主学习SAT问题的主要特征，同时不需要任何目标标记的参与，以减少人们在设计提取问题特征时消耗的精力。

为实现上述目的，本发明采用的技术方案为：

一种基于图的布尔可满足性问题的目标算法预测方法，包括以下步骤：

步骤1，设计一个通用的适用于布尔可满足性问题的图结构，然后输入问题集里的每个布尔可满足性问题的原始定义，输出相关的图结构表示并构建一组对应于原始问题的图结构数据集；

步骤2，搭建一个图结构到文档结构的转换模型，输入为步骤1得到的图结构数据集，输出为图节点标签组成的文档表示并构建一组对应于原始布尔可满足性问题的文档数据集；

步骤3，搭建一个文档向量化模型，输入为步骤2得到的文档数据集，输出为向量表示并构建一组对应于原始布尔可满足性问题的向量；

步骤4：任意选择一个分类模型或回归模型，输入为步骤3得到的一组向量表示，目标为算法集在布尔可满足性问题集上的性能指标，训练该模型使其学会对布尔可满足性问题的目标算法进行预测。

所述步骤1中，为每个布尔可满足性问题构建一个匹配的图结构，该图结构为三元组G(N,E,l)，其中N是图的节点集合，E是图中的由N中的节点构成的边集合，l代表一个标签函数或策略；该图结构为每个节点赋予一个标记，该标记并不是唯一的而是能够共存于多个节点之中；