mirror of
https://git.cs.ou.nl/joshua.moerman/mealy-decompose.git
synced 2025-04-30 02:07:44 +02:00
solver code verbeterd (veel sneller in geval van sat)
This commit is contained in:
Joshua Moerman
parent
158e5d96cf
commit
562f2f8462
1 changed files with 79 additions and 77 deletions
|
|
@ -1,116 +1,118 @@
|
|||
from pysat.examples.fm import FM
|
||||
from pysat.solvers import Solver
|
||||
from pysat.card import CardEnc
|
||||
from pysat.formula import IDPool
|
||||
from pysat.formula import WCNF
|
||||
from pysat.formula import CNF
|
||||
|
||||
### Gebruik:
|
||||
# Stap 1: pip install python-sat
|
||||
# Stap 1: pip3 install python-sat
|
||||
# Stap 2: python3 decomp-sat.py
|
||||
|
||||
# TODO: Een L* tabel introduceren, en het aantal representanten van de rijen
|
||||
# minimaliseren, ipv representanten an sich.
|
||||
|
||||
# Voorbeeld data
|
||||
# snel voorbeeld: n = 27, c = 3 en total_size = 9
|
||||
# langzaam vb.: n = 151, c = 4 en total_size = 15
|
||||
n = 151
|
||||
c = 4
|
||||
total_size = 15 # als deze te laag is => UNSAT => duurt lang
|
||||
|
||||
os = [i for i in range(n)] # outputs
|
||||
rids = [i for i in range(c)] # components
|
||||
|
||||
# Optimale decompositie met slechts verzamelingen. Zie ook A000792 in de OEIS
|
||||
# (voor de omkering size -> n), dit groeit met de derdemacht. Dus size is
|
||||
# ongeveerde de derdemachts-wortel van n. Ik weet niet hoeveel c moet zijn.
|
||||
# n = 1 2 3 4 5 6 7-9 10-12 13-18 19-27 28-36
|
||||
# ------------------------------------------------------
|
||||
# c ≥ 1 1 1 1 1 2 2 2 3 ? ?
|
||||
# size = 1 2 3 4 5 5 6 7 8 9 10
|
||||
|
||||
|
||||
print('Start encoding')
|
||||
vpool = IDPool()
|
||||
wcnf = WCNF()
|
||||
cnf = CNF()
|
||||
|
||||
# Een hulp variabele voor False en True, maakt de andere variabelen eenvoudiger
|
||||
def var_const(b):
|
||||
return(vpool.id(('bool', b)))
|
||||
|
||||
cnf.append([var_const(True)])
|
||||
cnf.append([-var_const(False)])
|
||||
|
||||
# Voor elke relatie en elke twee elementen o1 en o2, is er een variabele die
|
||||
# aangeeft of o1 en o2 gerelateerd zijn. Hierbij moeten o1 en o2 verschillen.
|
||||
# En er is 1 variabele voor xRy en yRx, dus symmetrie is al ingebouwd.
|
||||
# aangeeft of o1 en o2 gerelateerd zijn. Er is 1 variabele voor xRy en yRx, dus
|
||||
# symmetrie is al ingebouwd. Reflexiviteit is ook ingebouwd.
|
||||
def var_rel(rid, o1, o2):
|
||||
if o1 == o2:
|
||||
return var_const(True)
|
||||
|
||||
[so1, so2] = sorted([o1, o2])
|
||||
return(vpool.id(("var_rel", rid, so1, so2)))
|
||||
return(vpool.id(('var_rel', rid, so1, so2)))
|
||||
|
||||
# Voor elke relatie, en elke equivalentie-klasse, kiezen we precies 1 element
|
||||
# als representant. Deze variabele geeft aan welk element.
|
||||
def var_rep(rid, o):
|
||||
return(vpool.id(("var_rep", rid, o)))
|
||||
|
||||
def append_hard(clause):
|
||||
wcnf.append(clause)
|
||||
|
||||
def append_soft(clause):
|
||||
wcnf.append(clause, 1)
|
||||
return(vpool.id(('var_rep', rid, o)))
|
||||
|
||||
# Contraints zodat de relatie een equivalentie relatie is. We hoeven alleen
|
||||
# maar transitiviteit te encoderen.
|
||||
def append_eq_rel(rid, os):
|
||||
# maar transitiviteit te encoderen, want refl en symm zijn ingebouwd in de var.
|
||||
# Dit stukje van het encoderen duurt het langst.
|
||||
print('- transitivity')
|
||||
for rid in rids:
|
||||
for xo in os:
|
||||
for yo in os:
|
||||
if yo == xo:
|
||||
continue
|
||||
for zo in os:
|
||||
if zo == xo or zo == yo:
|
||||
continue
|
||||
append_hard([-var_rel(rid, xo, yo), -var_rel(rid, yo, zo), var_rel(rid, xo, zo)])
|
||||
|
||||
def append_eq_rel_all(rids, os):
|
||||
for rid in rids:
|
||||
append_eq_rel(rid, os)
|
||||
# als xo R yo en yo R zo dan xo R zo
|
||||
cnf.append([-var_rel(rid, xo, yo), -var_rel(rid, yo, zo), var_rel(rid, xo, zo)])
|
||||
|
||||
# Constraint zodat de relaties samen alle elementen kunnen onderscheiden.
|
||||
# (Aka: the bijbehorende quotienten zijn joint-injective.)
|
||||
def append_injective(rids, os):
|
||||
for xi, xo in enumerate(os):
|
||||
for _, yo in enumerate(os[xi+1:], xi+1):
|
||||
append_hard([-var_rel(rid, xo, yo) for rid in rids])
|
||||
print('- injectivity')
|
||||
for xi, xo in enumerate(os):
|
||||
for yo in os[xi+1:]:
|
||||
# Tenminste een rid moet een verschil maken
|
||||
cnf.append([-var_rel(rid, xo, yo) for rid in rids])
|
||||
|
||||
# De constraints die zorgen dat representanten ook echt representanten zijn.
|
||||
def append_reps(rids, os):
|
||||
for rid in rids:
|
||||
for xi, xo in enumerate(os):
|
||||
# Belangrijkste: een element is een representant, of equivalent met een
|
||||
# later element. We forceren hiermee dat de solver representanten moet
|
||||
# kiezen (achter aan de lijst).
|
||||
append_hard([var_rep(rid, xo)] + [var_rel(rid, xo, yo) for yo in os[xi+1:]] )
|
||||
for _, yo in enumerate(os[xi+1:], xi+1):
|
||||
# xo en yo kunnen niet beide een representant zijn, tenzij ze
|
||||
# niet gerelateerd zijn.
|
||||
append_hard([-var_rep(rid, xo), -var_rep(rid, yo), -var_rel(rid, xo, yo)])
|
||||
|
||||
|
||||
# Voorbeeld data
|
||||
os = ['x', 'y', 'z', 'w', 't'] # outputs
|
||||
rids = [1, 2] # components
|
||||
|
||||
# alle constraints toevoegen
|
||||
append_eq_rel_all(rids, os)
|
||||
append_injective(rids, os)
|
||||
append_reps(rids, os)
|
||||
|
||||
# We willen zo min mogelijk representanten. Dwz we willen zo veel mogelijk
|
||||
# elementen die geen representant zijn. Dat doen we met soft clausules en
|
||||
# MaxSAT optimaliseert dat.
|
||||
print('- representatives')
|
||||
for rid in rids:
|
||||
for xo in os:
|
||||
append_soft([-var_rep(rid, xo)])
|
||||
for xi, xo in enumerate(os):
|
||||
# Belangrijkste: een element is een representant, of equivalent met een
|
||||
# later element. We forceren hiermee dat de solver representanten moet
|
||||
# kiezen (achter aan de lijst).
|
||||
cnf.append([var_rep(rid, xo)] + [var_rel(rid, xo, yo) for yo in os[xi+1:]] )
|
||||
for _, yo in enumerate(os[xi+1:], xi+1):
|
||||
# xo en yo kunnen niet beide een representant zijn, tenzij ze
|
||||
# niet gerelateerd zijn.
|
||||
cnf.append([-var_rep(rid, xo), -var_rep(rid, yo), -var_rel(rid, xo, yo)])
|
||||
|
||||
# Tot slot willen we weinig representanten. Dit doen we met een "atmost"
|
||||
# formule. Idealiter zoeken we naar de total_size, maar die staat nu vast.
|
||||
print('- representatives at most k')
|
||||
cnf_optim = CardEnc.atmost([var_rep(rid, xo) for rid in rids for xo in os], total_size, vpool=vpool)
|
||||
cnf.extend(cnf_optim)
|
||||
|
||||
# Probleem oplossen met solver :-). Het PySat pakket bevat nog andere
|
||||
# MaxSAT solvers: RC2 en LSU. Geen idee welke het beste is. Deze lijkt te
|
||||
# werken. RC2 kan ook nog meerdere oplossingen enumereren.
|
||||
with FM(wcnf) as fm:
|
||||
if not fm.compute():
|
||||
# Probleem oplossen met solver :-).
|
||||
print('Start solving')
|
||||
print('- copying formula')
|
||||
with Solver(bootstrap_with=cnf) as solver:
|
||||
print('- actual solve')
|
||||
sat = solver.solve()
|
||||
|
||||
if not sat:
|
||||
print('unsat :-(')
|
||||
exit
|
||||
exit()
|
||||
|
||||
print(f'sat :-) with cost {fm.cost}')
|
||||
print(f'sat :-)')
|
||||
|
||||
# Even omzetten in een makkelijkere data structuur
|
||||
m = fm.model
|
||||
print('- get model')
|
||||
m = solver.get_model()
|
||||
model = {}
|
||||
for l in m:
|
||||
if l < 0:
|
||||
model[-l] = False
|
||||
else:
|
||||
model[l] = True
|
||||
|
||||
# print equivalence relations
|
||||
# for rid in rids:
|
||||
# for xi, xo in enumerate(os):
|
||||
# for _, yo in enumerate(os[xi+1:], xi+1):
|
||||
# if model[var_rel(rid, xo, yo)]:
|
||||
# print(f'{rid} => {xo} == {yo}')
|
||||
# else:
|
||||
# print(f'{rid} => {xo} != {yo}')
|
||||
if l < 0: model[-l] = False
|
||||
else: model[l] = True
|
||||
|
||||
# print equivalence classes
|
||||
count = 0
|
||||
|
|
|
|||
Loading…
Add table
Reference in a new issue