- Lagrange-basierter A*-Algorithmus für automatisiertes Denken (arXiv)
Autor: Renju Rajan
Zusammenfassung: In diesem Artikel wird eine Modifikation des A*-Algorithmus für das Downside des kürzesten Weges betrachtet. Im heuristischen Teil des A*-Algorithmus wird eine Gewichtung eingeführt, um seine Effizienz zu verbessern. Eine Anwendung des Algorithmus wird für die UAV-Pfadplanung in Betracht gezogen, wobei die Geschwindigkeit als Gewichtung der Heuristik verwendet wird. Zu Beginn wurde die Variationsrechnung auf Foundation der Lagrange-Gleichung verwendet, um die Geschwindigkeit als entscheidenden Faktor für das dynamische System zu identifizieren. Dieser Ansatz wäre auch für andere Probleme nützlich, um die Effizienz von Algorithmen in diesen Bereichen zu verbessern
2.CryptoVampire: Automatisierte Argumentation für das vollständige symbolische Angreifer-Kryptographiemodell (arXiv)
Autor: Simon Jeanteur, Laura Kovács, Matteo Maffei, Michael Rawson
Zusammenfassung: Wir stellen Self-Pushed Technique Studying (sdsl) vor, eine leichte On-line-Lernmethode für automatisierte Denkaufgaben, bei denen eine Reihe verwandter Probleme gelöst werden müssen. Sdsl erfordert kein Offline-Coaching, sondern erstellt automatisch einen Datensatz und löst gleichzeitig frühere Probleme. An diese Daten wird ein maschinelles Lernmodell angepasst, das dann zur Anpassung der Lösungsstrategie für spätere Probleme verwendet wird. Wir definieren den Ansatz formal als eine Reihe abstrakter Übergangsregeln. Wir beschreiben eine konkrete Instanz des SDSL-Kalküls, das bedingte Stichproben zur Generierung von Daten und Zufallswälder als zugrunde liegendes Modell für maschinelles Lernen verwendet. Wir implementieren den Ansatz auf dem Kissat-Löser und zeigen, dass die Kombination von Kissat+sdsl größere Grenzen zertifiziert und mehr Gegenbeispiele findet als andere hochmoderne Ansätze zur begrenzten Modellprüfung auf Benchmarks, die aus der neuesten {Hardware}-Modellprüfung erhalten wurden Wettbewerb.
