Onestop App

Περιγραφή

Η παρούσα εργασία επικεντρώνεται στην ανάπτυξη και την εφαρμογή ευρετικών μεθόδων που είναι αποτέλεσμα μεθόδων μηχανικής μάθησης ώστε να χρησιμοποιηθούν στην κατασκευή αποδοτικών δομών δεδομένων BDD (Binary Decision Diagrams). Τα BDDs είναι ιδιαίτερα σημαντικά καθώς παρέχουν μια συμπυκνωμένη αναπαράσταση λογικών συναρτήσεων, επιτρέποντας τη συμπίεση εκθετικών αποφάσεων σε μικρό χώρο. Αυτό τα καθιστά απαραίτητα για την επίλυση προβλημάτων σε τομείς όπως η επαλήθευση υλικού, η τεχνητή νοημοσύνη και η συνδυαστική βελτιστοποίηση. Ο Donald Knuth λέει για τα BDDs: "one of the only really fundamental data structures that came out in the last 25 years".

Ένα από τα κρίσιμα στοιχεία στην κατασκευή αποδοτικών BDDs είναι η σειρά των μεταβλητών που χρησιμοποιούνται, καθώς αυτή επηρεάζει άμεσα το μέγεθος και την αποδοτικότητα της δομής. Αν γίνει λάθος επιλογή μεταβλητών τότε ο χώρος που καταλαμβάνει η δομή δεδομένων θα είναι μεγάλος. Έτσι χρησιμοποιούνται ευρετικές συναρτήσεις που αποφασίζουν κάθε φορά ποιες μεταβλητές πρέπει να χρησιμοποιηθούν. Στόχος μας είναι να διερευνήσουμε πώς η χρήση αλγορίθμων μηχανικής μάθησης μπορεί να βελτιστοποιήσει τη διαδικασία κατασκευής BDDs, επιτρέποντας την αυτόματη προσαρμογή των ευρετικών σε διαφορετικά προβλήματα και την βελτιστοποίηση των μεταβλητών.

Σχετικές αναφορές και τεχνολογίες:

[1]: https://en.wikipedia.org/wiki/Binary_decision_diagram
[2]: https://www.youtube.com/watch?v=SQE21efsf7Y
[3]: https://www.youtube.com/watch?v=-HzQYeqS9Wc
[4]: https://course.ccs.neu.edu/cs5800gc/parent/buddy-2.4/doc/bddnotes.pdf
[5]: https://github.com/SSoelvsten/buddy

Στοιχεία Εργασίας