了解QFBV SMT求解器的性能

诸如Z3或Boolector之类的SMT求解器使用一组复杂的试探法来解决问题。但是，这也使得很难针对给定问题预测此类求解器的性能。因此，我的问题是：

题

有没有一种方法可以针对无量值比特向量（QFBV）理论中的特定内容理解或了解SMT求解器的性能？

这也包括任何有助于理解求解器“卡滞” /未取得进展的可视化工具。

应用领域

• 预先了解同一问题的不同编码如何影响求解器性能（此处的最新技术不能是“仅尝试几种不同的编码并希望一种编码足够快”，对吗？）

• 如果由于时间限制SMT求解器无法解决给定的问题，请找到一种不同的方式表达问题，以便可以解决。

• 避免将时间浪费在特定于域的问题简化上，这些问题根本不会影响求解器的性能，甚至不会对求解器的性能产生负面影响。

现有研究

我试图找到有关此主题的研究，但是却找不到很多。我在SAT / SMT求解器领域还没有太多经验，所以如果我错过了一些东西，我们深表歉意。

• SATzilla：使用机器学习技术，根据从问题中提取的特征，预测性能最佳的求解器。

  这仅适用于SAT而非SMT，并且不能解释求解器性能的原因。

• Z3公理分析器 Z3实例图的可视化和匹配循环的分析

  看起来这只专注于量化理论。

简短的答案是不，我们不理解。长答案是肯定的，我们有一些界限，但是这些界限不是很有帮助。很明显，最坏情况下的运行时间是指数的。那不是很有帮助，因为我们知道在某些/许多实际情况下，它似乎运行得非常快-而且我们真的不知道为什么。

我们不知道为什么这对于SAT求解器是正确的，更不用说QFBV了。理解为什么QFBV解算器经常快的问题似乎至少和理解SAT解算器为什么经常快的问题一样困难，这已经超出了我们目前的理解水平。如果您在此站点上搜索更多，则可以找到当前尝试了解后一个主题的摘要。