SAT求解器
Parent: ai_keywords
SAT求解器
核心定义
SAT（Boolean Satisfiability）求解器是判定命题逻辑公式是否可满足的算法引擎，即判断是否存在一组布尔变量赋值使得合取范式（CNF）全部子句为真。SAT问题被证明是第一个NP完全问题，但现代SAT求解器通过高效搜索策略和启发式，可在百万变量级工业实例上快速求解，成为形式化验证、AI规划、电子设计自动化等领域的核心工具。
关键技术点
- 冲突驱动子句学习（CDCL）：在DPLL基础框架上，每当搜索遇到矛盾时，通过蕴含图分析生成新子句（学习），永久剪枝无效搜索空间，是效率突破的关键。
- 布尔约束传播（BCP）：利用单元子句规则快速推导必然赋值，通过“双监视字”（Two-Watched Literals）数据结构实现O(1)撤销，是实例化的核心推理引擎。
- 变量决策启发式：如VSIDS（Variable State Independent Decaying Sum），为每个变量累计“冲突参与度”并周期性衰减，优先选择最近频繁参与冲突的变量分支，自适应引导搜索。
- 重启与衰减：周期性清空决策栈保留学习子句，避免搜索陷入局部不良分支；同时动态衰减活动计分，兼顾探索与利用的平衡。
- 预处理与化简：包括子句消去、变量消除、等价化简、超二元推导等，在搜索前大幅缩减公式规模，并强化约束传递性。
医学/神经科学应用场景
在首都医科大学神经病学研究中，SAT求解器被用于阿尔茨海默病（AD）分子调控网络的逻辑分析。将突触蛋白、线粒体自噬因子、炎症信号分子、Aβ和Tau蛋白的状态建模为布尔变量，已知的文献约束（如“Aβ沉积∧Tau过度磷酸化→神经元凋亡”）转化为CNF子句。通过求解“满足致病路径的最小分子组合”，可预测同时抑制Aβ聚集和促进线粒体自噬的候选基因组合，缩减实验筛选范围。此外，基于fMRI脑区激活状态的逻辑约束（如“前额叶激活则海马体抑制”），SAT求解器可寻找与AD早期认知症状相符的异常功能连接模式，为组合生物标志物发现提供新范式。
