在约束编程中，传播的能力是其主要优势之一，它可以通过减少搜索空间来提高效率。然而，传播是一把双刃剑，更多的剪枝能力往往伴随着更大的计算时间。每个问题约束的最佳传播器取决于具体实例，并可能在搜索时发生变化。文献中，机器学习（ML）技术和基于活动的启发式方法分别用于静态选择一批问题的传播器，以及动态调整传播强度。我们提出将这两种方法结合起来，利用通过机器学习获得的 oracle 函数来决定是否对特定约束运行复杂传播器。我们的方法通过一系列设计选择，使其灵活且易于嵌入最新的求解器中。本文重点探讨构建能量推理传播器的 oracle 的可行性。实验结果表明，我们可以获得高预测准确率，提供了分类特征的建议，并突出了在构建此类 oracle 时需要解决的重要问题。
博主点评： 本文提出的通过机器学习优化约束编程中的传播器选择，展示了将 AI 与传统算法结合的潜力，尤其是在提高求解效率方面。尽管面临计算开销的问题，研究结果仍然表明了可行性，为未来的研究提供了新的思路。