SAT-based Optimization of Octolinear Metro Map Layouts
Notice bibliographique
Résumé
U-Bahn-Karten werden jeden Tag von Millionen von Menschen auf der ganzen Welt gesehen und verwendet. Die Erstellung der besten Zeichnung eines U-Bahn-Netzes ist eine komplexe und zeitaufwändige Aufgabe. Tatsächlich ist das Metrokarten Problem NP-schwer. Dieses Problem kann auf verschiedene Arten formalisiert werden. Wir verwenden eine Definition aus der Literatur. Eine solche Formalisierung ermöglicht es uns Algorithmen zu entwickeln um automatisiert eine Lösung für das Problem zu finden. So wurden in der Literatur Mixed Integer Programs (MIP) auf der Basis dieser Formulierung entwickelt, die es ermöglichen optimale Metrokarten zu berechnen. Für andere Graph Drawing Probleme haben sich auch Modellierungen mithilfe von SAT und SAT modulo Theory (SMT) als nützlich und in manchen Fällen sogar als effizienter als MIP Formulierungen erwiesen. Wir präsentieren die erste Formulierung des Metrokarten Problems mithilfe von SAT und SMT und vergleichen die Geschwindigkeit und Qualität der produzierten Lösungen mit der existierenden MIP Formulierung. Um eine Lösung mit SAT zu finden, übersetzen wir die Bedingungen aus einem bestehenden MIP in SAT. Die Herausforderung besteht hauptsächlich darin die Constraints der MIP Formulierung effizient in ein System zu übersetzen in welchem statt ganzzahligen und reelwertigen Variablen nur Binärvariablen verwendet werden können. Die Übersetzung nach SMT ist einfacher, weil hier nicht nur boolesche Variablen akzeptiert werden, sondern auch numerische Werte oder sogar andere Datentypen. Unser Datensatz besteht aus fünf verschiedenen realen Instanzen: den U-Bahn-Netzen der Städte Wien, Karlsruhe, Lissabon, Montreal und Washington. Wir analysieren die Effizienz unseres Ansatzes mit Experimenten auf diesen Instanzen und vergleichen die Laufzeit, aber auch die Qualität nicht optimaler Lösungen nach einem bestimmten Timeout. Unsere Ergebnisse legen nahe, dass MIP für das schematische Metrokarten Problem schneller ist. Die Unterschiede zwischen SAT und SMT variieren abhängig von der Instanzgröße, wobei SAT bei kleineren Instanzen besser abschneidet während SMT bessere Laufzeiten auf größeren Instanzen erzielt. Dies deutet darauf hin, dass bei SMT ein größerer Initialisierungsaufwand besteht.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».