我的团队一直在使用Z3解算器执行被动学习。被动学习需要从一组观察中获得与该组中的所有观察一致的模型。我们考虑不同形式的模型，最简单的是确定性有限自动机（DFA）和Mealy机器。对于DFA，观察只是正样本或负样本。
这种方法非常简单。给定形式和观察，我们将每个观察编码为（未解释的）函数的Z3约束，这些函数对应于形式主义定义中的函数。例如，对于DFA，此定义包括转换函数（ trans：States X Inputs - ＆gt; States ）和输出函数（ out：States - ＆gt; Boolean ）。
编码说观察（aa，+）将按如下方式完成：
out（trans（trans（start，a），a））== True
start 的初始状态。为了构造模型，我们将所有观察约束添加到求解器中。我们还添加了一个限制模型中状态数量的约束。我们解决了限制为1,2,3 ...状态的约束，直到求解器找到解。解决方案是一个与观察结果一致的最小状态模型。
我发布了一个code snippet using Z3Py就是这样做的。可以预见，我们的方法不可扩展（问题是NP完全）。我想知道是否有任何（小）调整我们可以执行以提高可扩展性？ （尝试不同的方式，策略......）
我们已经尝试将所有观察结果安排到前缀树中并在编码中使用此树，但可扩展性仅略有提高。我很清楚，这个问题有更多可扩展的基于SAT的方法（将其减少为图形着色问题）。我们希望看到一个简单的基于SMT的方法可以带我们走多远。
到目前为止，我发现用于定义输入和状态的最佳排序是 DeclareSort 。如果我们从状态大小约束中消除量词，它也会有所帮助。有趣的是，渐进式求解并没有真正帮助。但可能是我没有正确使用它（我是SMT理论中的一个新手）。
谢谢！顺便说一句，我不确定这个测试作为SMT求解器的基准是多么可行/有用。