Resumen: El rendimiento de los solucionadores de aprendizaje de la cláusula basado en conflictos depende de la heurística interna, sin embargo, la heterogeneidad de los problemas SAT hace que una configuración única y universalmente óptima sea inalcanzable. Si bien los métodos automatizados anteriores pueden encontrar configuraciones especializadas para familias problemáticas específicas, este enfoque específico del conjunto de datos carece de generalización y requiere una re-optimización costosa para nuevos tipos de problemas. Presentamos a Dasathco, un marco que aborda este desafío al aprender un mapeo generalizable de las características de instancia a los conjuntos heurísticos personalizados, lo que permite un modelo de trenes y adaptación de Broadly. Nuestro marco utiliza un modelo de lenguaje grande, guiado por arquetipos de problemas definidos sistemáticamente, para generar una cartera diversa de conjuntos heurísticos especializados y posteriormente aprende un mecanismo de selección adaptativa para formar el mapeo final. Los experimentos muestran que Dasathco logra un rendimiento superior y, sobre todo, demuestra una generalización robusta fuera del dominio donde los métodos no adaptativos muestran limitaciones. Nuestro trabajo establece una ruta más escalable y práctica hacia el diseño de algoritmos automatizado para sistemas complejos y configurables.
Publicado Originalme en export.arxiv.org El 16 de septiembre de 2025.
Ver Fuente Original
