최소 제약 값은 무엇입니까?

제약 만족 문제에서 휴리스틱은 박진 추적 솔버의 성능을 향상시키는 데 사용될 수 있습니다. 간단한 역 추적 솔버를 위해 일반적으로 제공되는 3 가지 휴리스틱은 다음과 같습니다.

• 최소 남은 값 (이 변수에 유효한 값의 수)
• 휴리스틱 정도 (이 변수의 영향을받는 다른 변수 수)
• 최소 구속 값 (다른 변수에 대해 어떤 값이 다른 값을 가장 많이 남을 것인가)

처음 두 개는 구현이 매우 명확하고 간단합니다. 먼저 도메인에 최소값이 남아있는 변수를 선택하고 관계가있는 경우 다른 변수에 영향을주는 변수를 선택하십시오. 이 방법으로 솔버의 상위 단계에서 잘못된 할당을 선택한 경우 가장 빨리 발견 할 수 있으므로 가장 적은 다른 값을 가진 변수를 선택하면 다른 항목에 영향을 줄 수 있습니다.

그것들은 간단하고 명확하게 정의되어 있으며 구현하기 쉽습니다.

최소 제약 값은 내가 본 곳에서 명확하게 정의되지 않았습니다. 인공 지능 : 현대적 접근 방식 (Russel & Norvig)은 다음과 같이 말합니다.

구속 조건 그래프에서 인접 변수에 대한 가장 적은 선택을 배제하는 값을 선호합니다.

"최소한의 구속 값"을 검색하면이 교재를 기반으로 한 많은 대학 슬라이드 쇼만 나타 났으며, 이것이 알고리즘 적으로 수행되는 방법에 대한 추가 정보는 없었습니다.

이 휴리스틱에 대한 유일한 예는 하나의 값 선택이 이웃 변수에 대한 모든 선택을 제거하고 다른 하나는 그렇지 않은 경우입니다. 이 예제의 문제점은 사소한 경우라는 점인데, 이는 잠재적 인 할당이 문제점의 제한 조건과 일치하는지 점검 할 때 즉시 제거됩니다. 따라서 내가 찾을 수있는 모든 예제에서 최소 제약 값 휴리스틱은 중복 검사를 추가하여 작은 부정적인 영향을 제외하고는 솔버 성능에 실제로 도움이되지 않았습니다.

내가 생각할 수있는 유일한 다른 것은 각 할당에 대해 이웃 변수의 가능한 할당을 테스트 하고이 변수의 가능한 각 할당에 대해 존재하는 이웃의 가능한 할당 수를 계산 한 다음이 변수의 값을 정렬하는 것입니다 해당 값을 선택한 경우 사용 가능한 인접 할당 수를 기반으로합니다. 그러나 무작위 순서보다 개선 된 방법을 알지 못합니다. 여러 변수 조합을 테스트하고 계산 결과를 기반으로 정렬해야하기 때문입니다.

누구든지 최소 ​​제약 값에 대한 더 유용한 설명을 제공하고 해당 최소 제약 값 버전이 실제로 어떻게 개선되는지 설명 할 수 있습니까?

이 링크를 참조하십시오 :

https://people.cs.pitt.edu/~wiebe/courses/CS2710/lectures/constraintSat.example.txt

먼저 변수 "O"를 선택한 다음 모든 유효한 값 "i"로 "O"를 테스트하여 "O"의 이웃 "N"에 대한 감소 횟수를 확인합니다. 그것은 그들 모두를 추가합니다. 감소를 덜 일으키는 "i"를 선택합니다.

   sums = {0:0,1:0,2:0,3:0,4:0,5:0,6:0,7:0,8:0,9:0}
   For i from 0 to 9:  
     plug "o=i" into the constraint formulas
     For each neighbor "N" of "o" in the constraint graph:
       sums[i] += the number of values remaining for "N"

"i"를 선택하여 다음을 수행합니다.

sums[i] = MAX{sums[i] | for all "i" that is a member of "O",s valid values}

이것이 귀하의 답변을 찾는 데 도움이되기를 바랍니다.

여기서 중요한 것은 솔버가 작성된 작업에 따라 이러한 휴리스틱이 적용된다는 것입니다. 그리고 변수의 선택된 값이 다른 변수의 도메인에 단일 값을 남기지 않을 가능성이있는 경우 (우리는 하나의 솔루션으로 크게 제약 된 문제가 있다고 가정 해 봅시다), 해결책은 중단됩니다 . 그리고 무작위 검색은 올바른 길을 따라 내려 가서 결정과 잘못된 결정으로 이어질 수 있습니다. 그리고 잘못되면 역 추적을해야하고 (충돌로 인한 역 점프 참조) 계산 시간이 걸립니다. 그러나 LCV 휴리스틱을 사용하는 알고리즘은 더 정확한 경로를 따라갈 가능성이 높으며 반환 할 필요가 없습니다. 그러나 제약이 부족한 문제가 있다면 무작위 검색과 매우 비슷하다고 생각합니다.