[论文解读] QBF Solving by Counterexample-guided Expansion

Roderick Bloem, Nicolas Braud-Santoni+1 more|arXiv (Cornell University)|Nov 4, 2016

Formal Methods in Verification参考文献 14被引用 5

一句话总结

本文提出了一种非递归的、基于反例引导的扩展方法，用于求解量化布尔公式（QBF），将反例引导归纳综合（CEGIS）推广至非递归框架，以消除递归方法带来的可扩展性问题。所提出的算法高效且实用，其竞争性实现支持对设计选择与优化策略的实证研究。

ABSTRACT

We introduce a novel generalization of Counterexample-Guided Inductive Synthesis (CEGIS) and instantiate it to yield a novel, competitive algorithm for solving Quantified Boolean Formulas (QBF). Current QBF solvers based on counterexample-guided expansion use a recursive approach which scales poorly with the number of quantifier alternations. Our generalization of CEGIS removes the need for this recursive approach, and we instantiate it to yield a simple and efficient algorithm for QBF solving. Lastly, this research is supported by a competitive, though straightforward, implementation of the algorithm, making it possible to study the practical impact of our algorithm design decisions, along with various optimizations.

研究动机与目标

• 解决现有基于反例引导的 QBF 求解器因依赖递归扩展策略而导致的可扩展性差的问题。
• 设计一种广义的 CEGIS 框架，避免使用递归，更好地处理多重量化层次交替。
• 设计一种基于广义 CEGIS 方法的实用且高效的 QBF 求解算法。
• 实现该算法，以评估其在真实场景下的性能，以及关键设计决策与优化策略的影响。

提出的方法

• 将 CEGIS 广义化，以支持在 QBF 求解中进行非递归扩展，消除对递归精炼的依赖。
• 利用反例引导候选解的迭代扩展，避免重复的递归遍历。
• 构建一个求解器，通过分析和精炼反例，逐步构建满足赋值。
• 将优化技术集成到求解器中，以提升在实际 QBF 实例上的性能。
• 设计模块化实现，以隔离并评估各项算法选择的独立影响。

实验结果

研究问题

• RQ1 基于非递归 CEGIS 的方法是否能在 QBF 求解的可扩展性方面超越递归方法？
• RQ2 与现有方法相比，广义 CEGIS 框架在处理越来越多的量化层次交替时表现如何？
• RQ3 所提出的算法设计及其优化策略对实际性能的影响如何？
• RQ4 该新方法在多大程度上能与当前最先进的 QBF 求解器保持竞争力？

主要发现

• 所提出的非递归 CEGIS 基础 QBF 求解器相比递归方法展现出更好的可扩展性，尤其在量化层次交替深度较高时优势明显。
• 该算法在标准 QBF 基准测试上实现了具有竞争力的性能，表明其具备实际可行性。
• 该实现支持对设计决策与优化策略的高效实证分析。
• CEGIS 的广义化成功消除了对递归的依赖，简化了算法结构，同时保持了有效性。