OU Portal
Log In
Welcome
Applicants
Z6_60GI02O0O8IDC0QEJUJ26TJDI4
>
Publ3 search
Error:
Javascript is disabled in this browser. This page requires Javascript. Modify your browser's settings to allow Javascript to execute. See your browser's documentation for specific instructions.
{}
Zavřít
Publikační činnost
Probíhá načítání, čekejte prosím...
publicationId :
tempRecordId :
actionDispatchIndex :
navigationBranch :
pageMode :
tabSelected :
isRivValid :
Typ záznamu:
stať ve sborníku (D)
Domácí pracoviště:
Ústav pro výzkum a aplikace fuzzy modelování (94410)
Název:
Efficient Solver Scheduling and Selection for Satisfiability Modulo Theories (SMT) Problems.
Citace
Mojžíšek, D. a Hůla, J. Efficient Solver Scheduling and Selection for Satisfiability Modulo Theories (SMT) Problems..
In:
ICPRAM 2024: Proceedings of the 13th International Conference on Pattern Recognition Applications and Methods (ICPRAM 2024) 2024-02-24 Itálie.
Řím: SCITEPRESS, 2024. s. 360-369. ISBN 978-989-758-684-2.
Podnázev
Rok vydání:
2024
Obor:
Informatika
Počet stran:
10
Strana od:
360
Strana do:
369
Forma vydání:
Elektronická verze
Kód ISBN:
978-989-758-684-2
Kód ISSN:
2184-4313
Název sborníku:
Proceedings of the 13th International Conference on Pattern Recognition Applications and Methods (ICPRAM 2024)
Sborník:
Mezinárodní
Název nakladatele:
SCITEPRESS
Místo vydání:
Řím
Stát vydání:
Sborník vydaný v zahraničí
Název konference:
ICPRAM 2024
Místo konání konference:
Itálie
Datum zahájení konference:
Typ akce podle státní
příslušnosti účastníků akce:
Celosvětová akce
Kód UT WoS:
EID:
2-s2.0-85190658086
Klíčová slova anglicky:
Satisfiability Modulo Theories (SMT), Solver Scheduling, Algorithm Selection, Dynamic Scheduling
Popis v původním jazyce:
This paper introduces innovative concepts for improving the process of selecting solvers from a portfolio to tackle Satisfiability Modulo Theories (SMT) problems. We propose a novel solver scheduling approach that significantly enhances solving performance, measured by the PAR-2 metric, on selected benchmarks. Our investigation reveals that, in certain cases, scheduling based on a crude statistical analysis of training data can perform just as well, if not better, than a machine learning predictor. Additionally, we present a dynamic scheduling approach that adapts in real-time, taking into account the changing likelihood of solver success. These findings shed light on the nuanced nature of solver selection and scheduling, providing insights into situations where data-driven methods may not offer clear advantages.
Popis v anglickém jazyce:
Seznam ohlasů
Ohlas
R01:
RIV/61988987:17610/24:A2502N61
Complementary Content
Deferred Modules
${title}
${badge}
${loading}
Deferred Modules