SAT是适定性(Satisfiability)问题的简称。一般形式为k-适定性问题，简称 k-SAT。而当k>2时该问题为NP完全的，所以我们只研究k=2时情况。

2-SAT问题

现有一个由N个布尔值组成的序列A，给出一些限制关系，比如A[x] AND A[y]=0、A[x] OR A[y] OR A[z]=1等，要确定A[0…N-1]的值，使得其满足所有限制关系。这个称为SAT问题，特别的，若每种限制关系中最多只对两个元素进行限制，则称为2-SAT问题。通俗来说就是有一些集合，每个集合中有且仅有两个元素，且不能同时选取两个元素，集合间的元素存在一定的选择关系，求解可行性及可行方案。

由于在2-SAT问题中，最多只对两个元素进行限制，所以可能的限制关系共有11种：
注意：
这里的OR是指两个条件至少有一个是正确的
比如x1和x2一共有三种组合满足“x1为真或x2为假”：
x1=1，x2=1
x1=1，x2=0
x1=0，x2=0
A[x]
NOT A[x]
A[x] AND A[y]
A[x] AND NOT A[y]
A[x] OR A[y]
A[x] OR NOT A[y]
NOT (A[x] AND A[y])
NOT (A[x] OR A[y])
A[x] XOR A[y]
NOT (A[x] XOR A[y])
A[x] XOR NOT A[y]
进一步，A[x] AND A[y]相当于(A[x]) AND (A[y])（也就是可以拆分成A[x]与A[y]两个限制关系），NOT(A[x] OR A[y])相当于NOT A[x] AND NOT A[y]（也就是可以拆分成NOT A[x]与NOT A[y]两个限制关系）。因此，可能的限制关系最多只有9种。

首先我们考虑将2-SAT问题往图论的方向靠，我们发现每个点要么取0，要么取1。因此对于ai，我们建两个点2i−1与2i分别表示ai取0和1

然后我们考虑建边来表示这些关系，我们令一条有向边的意义：x→y表示如果选择了x就必须选y

那么我们可以举一些简单的例子来总结下连边的规律（用i′表示i的反面）：

i,j不能同时选：选了i就要选j′，选j就要选i′。故i→j′,j→i′。一般操作即为aixoraj=1
i,j必须同时选：选了i就要选j，选j就要选i。故i→j,j→i。一般操作即为aixoraj=0
i,j任选（但至少选一个）选一个：选了i就要选j′，选j就要选i′，选i′就要选j，选j′就要选i。故i→j′,j→i′,i′→j,j′→i。一般操作即为aioraj=1
i必须选：直接i′→i，可以保证无论怎样都选i。一般操作为给出的ai=1或aiandaj=1
建好图然后就是考虑怎么用图论的方式解决2-SAT了。

在实际问题中，2-SAT问题在大多数时候表现成以下形式：有N对物品，每对物品中必须选取一个，也只能选取一个，并且它们之间存在某些限制关系（如某两个物品不能都选，某两个物品不能都不选，某两个物品必须且只能选一个，某个物品必选）等，这时，可以将每对物品当成一个布尔值（选取第一个物品相当于0，选取第二个相当于1），如果所有的限制关系最多只对两个物品进行限制，则它们都可以转化成9种基本限制关系，从而转化为2-SAT模型。

【建模】

其实2-SAT问题的建模是和实际问题非常相似的。
建立一个2N阶的有向图，其中的点分为N对，每对点表示布尔序列A的一个元素的0、1取值（以下将代表A[i]的0取值的点称为i，代表A[i]的1取值的点称为i’）。显然每对点必须且只能选取一个。然后，图中的边具有特定含义。若图中存在边<i, j>，则表示若选了i必须选j。可以发现，上面的9种限制关系中，后7种二元限制关系都可以用连边实现，比如NOT(A[x] AND A[y])需要连两条边<x, y’>和<y, x’>，A[x] OR A[y]需要连两条边<x’, y>和<y’, x>。而前两种一元关系，对于A[x]（即x必选），可以通过连边<x’, x>来实现，而NOT A[x]（即x不能选），可以通过连边<x, x’>来实现。

【O(NM)算法：求字典序最小的解】

算法 1、连边

2、跑tarjan

3、判可行性，即同一集合中的两个点是否同属一个强连通块

4、缩点建新图，连反边

5、拓扑序，若当前点没有被访问过，则选择该点，不选择其另外的点

连边 2-SAT算法本身并不难，关键是连边，不过只需要充分理解好边的概念：a->b即选a必选b。

a、b不能同时选：选了a就要选b’，选了b就要选a’。

a、b必须同时选：选了a就要选b，选了b就要选a，选了a’就要选b’，选了b’就要选a’。

a、b必须选一个：选了a就要选b’，选了b就要选a’，选了a’就要选b，选了b’就要选a。

※a必须选：a’->a。

根据2-SAT建成的图中边的定义可以发现，若图中i到j有路径，则若i选，则j也要选；或者说，若j不选，则i也不能选；
因此得到一个很直观的算法：
（1）给每个点设置一个状态V，V=0表示未确定，V=1表示确定选取，V=2表示确定不选取。称一个点是已确定的当且仅当其V值非0。设立两个队列Q1和Q2，分别存放本次尝试选取的点的编号和尝试不选的点的编号。
（2）若图中所有的点均已确定，则找到一组解，结束，否则，将Q1、Q2清空，并任选一个未确定的点i，将i加入队列Q1，将i’加入队列Q2；
（3）找到i的所有后继。对于后继j，若j未确定，则将j加入队列Q1；若j’（这里的j’是指与j在同一对的另一个点）未确定，则将j’加入队列Q2；
（4）遍历Q2中的每个点，找到该点的所有前趋（这里需要先建一个补图），若该前趋未确定，则将其加入队列Q2；
（5）在（3）（4）步操作中，出现以下情况之一，则本次尝试失败，否则本次尝试成功：
<1>某个已被加入队列Q1的点被加入队列Q2；
<2>某个已被加入队列Q2的点被加入队列Q1;
<3>某个j的状态为2；
<4>某个i’或j’的状态为1或某个i’或j’的前趋的状态为1；
（6）若本次尝试成功，则将Q1中的所有点的状态改为1，将Q2中所有点的状态改为2，转（2），否则尝试点i’，若仍失败则问题无解。
该算法的时间复杂度为O(NM)（最坏情况下要尝试所有的点，每次尝试要遍历所有的边），但是在多数情况下，远远达不到这个上界。
具体实现时，可以用一个数组vst来表示队列Q1和Q2。设立两个标志变量i1和i2（要求对于不同的i，i1和i2均不同，这样可以避免每次尝试都要初始化一次，节省时间），若vst[i]=i1则表示i已被加入Q1，若vst[i]=i2则表示i已被加入Q2。不过Q1和Q2仍然是要设立的，因为遍历（BFS）的时候需要队列，为了防止重复遍历，加入Q1（或Q2）中的点的vst值必然不等于i1（或i2）。中间一旦发生矛盾，立即中止尝试，宣告失败。

该算法虽然在多数情况下时间复杂度到不了O(NM)，但是综合性能仍然不如下面的O(M)算法。不过，该算法有一个很重要的用处：求字典序最小的解！
如果原图中的同一对点编号都是连续的（01、23、45……）则可以依次尝试第0对、第1对……点，每对点中先尝试编号小的，若失败再尝试编号大的。这样一定能求出字典序最小的解（如果有解的话），因为一个点一旦被确定，则不可更改。
如果原图中的同一对点编号不连续（比如03、25、14……）则按照该对点中编号小的点的编号递增顺序将每对点排序，然后依次扫描排序后的每对点，先尝试其编号小的点，若成功则将这个点选上，否则尝试编号大的点，若成功则选上，否则（都失败）无解。

推荐博客

1> https://blog.csdn.net/jarjingx/article/details/8521690
2> https://www.cnblogs.com/kangkang-/p/11370313.html