scholarly journals Efficient algorithms for strong local consistencies and adaptive techniques in constraint satisfaction problems

2013 ◽  
Author(s):  
Αναστασία Παπαρρίζου
Keyword(s):  
Constraint Satisfaction ◽  
Constraint Programming ◽  
Higher Order ◽  
Efficient Algorithms ◽  
Constraint Satisfaction Problems ◽  
Adaptive Techniques

Ο Προγραμματισμός με Περιορισμούς (Constraint Programming - CP) είναι μια επιτυχημένητεχνολογία για την επίλυση πολλών προβλημάτων από το χώρο των επιχειρήσεων και τηςβιομηχανίας, που απαιτούν την ικανοποίηση μιας σειράς πολύπλοκων περιορισμών.Παραδείγματα τέτοιων προβλημάτων είναι η διαμόρφωση προϊόντος, η κατανομή πόρων, ταπροβλήματα μεταφοράς και χρονοπρογραμματισμού. Επειδή η ταυτόχρονη ικανοποίηση τωνδιαφόρων περιορισμών είναι γενικά δυσεπίλυτη, τα προβλήματα μπορεί να γίνουν ακόμηδυσκολότερα καθώς αυξάνει το μέγεθός τους. Ο Προγραμματισμός με Περιορισμούς έχειαναπτύξει διάφορες τεχνικές για να αντιμετωπίσει αυτό το εγγενές πρόβλημα. Μια από τις πιοσημαντικές τέτοιες τεχνικές είναι η εφαρμογή τοπικής συνέπειας.Οι τοπικές συνέπειες που έχουν ευρέως μελετηθεί και χρησιμοποιηθεί από συστήματαεπίλυσης είναι η συνέπεια ορίων (Bounds Consistency - BC) και η συνέπεια τόξου (ArcConsistency - AC). Παρότι έχουν προταθεί και ισχυρότερες τοπικές συνέπειες, η χρήση τους είναιπεριορισμένη λόγω του απαγορευτικού κόστους τους. Παραδείγματα αποτελούν οι συνέπειες maxRestricted Path Consistency (maxRPC) και max Restricted PairWise Consistency (maxRPWC).Στην παρούσα έρευνα προτείνουμε αποδοτικούς αλγόριθμους ελέγχου συνέπειας για τηνεπιβολή ισχυρών τοπικών συνεπειών. Συγκεκριμένα, προτείνουμε νέους αλγόριθμους για τιςσυνέπειες maxRPC και maxRPWC που βελτιώνουν (θεωρητικά και πρακτικά) τουςπροηγούμενους. Επίσης, προτείνουμε αλγόριθμους που εφαρμόζουν ασθενέστερες συνέπειες μεχαμηλότερο κόστος, έχουμε επεκτείνει τους πρόσφατους από την οικογένεια των STR (SimpleTabular Reduction) αλγορίθμων για την επίτευξη υψηλότερης τάξης (higher-order) τοπικήςσυνέπειας. Πειράματα δείχνουν ότι αυτοί οι αλγόριθμοι μπορούν να ξεπεράσουν state-ot-the-artAC αλγόριθμους με σημαντικές διαφορές, ακόμη και κατά τάξεις μεγέθους, και συνεπώς, μπορούννα αποτελέσουν χρήσιμες προσθήκες στις τεχνικές διάδοσης περιορισμών για τους σύγχρονουςCP επιλυτές. Επιπρόσθετα, εισάγουμε και ορίζουμε μια νέα ισχυρή συνέπεια ορίων, πουονομάζεται PWBC, καθώς και έναν πολυωνυμικό αλγόριθμο ελέγχου συνέπειας που βασίζεται σεαυτήν για την σημαντική κατηγορία των γραμμικών ανισοτήτων. Τα θεωρητικά και πειραματικάαποτελέσματα αναδεικνύουν τις δυνατότητες των ισχυρών συνεπειών που επιβάλλονται στα όρια.Τέλος, δεδομένου ότι οι ισχυρές συνέπειες μπορεί να εξακολουθούν να είναι ακριβές στηνεφαρμογή τους κατά την αναζήτηση σε πολλά προβλήματα, προτείνουμε τρόπους ώστε ναπαρεμβάλλονται μαζί με ασθενέστερες συνέπειες, όπως η συνέπεια τόξου. Προτείνουμε πλήρωςαυτοματοποιημένες ευρετικές μεθόδους, που μπορούν να επιλέξουν δυναμικά τον καταλληλότεροαλγόριθμο φιλτραρίσματος. Οι προτεινόμενοι αλγόριθμοι ενσωματώνονται σε ένα προσαρμοστικόσύστημα διάδοσης περιορισμών για να αντιμετωπίσει περαιτέρω την εγγενή δυσκολίαικανοποίησης περιορισμών, με αποτέλεσμα έναν ισχυρότερο επιλυτή. Συνολικά, η έρευναπροτείνει αλγόριθμους φιλτραρίσματος και προσαρμοστικές τεχνικές που εκμεταλλεύονται τομεγάλο φιλτράρισμα των ισχυρών συνεπειών με αποτελεσματικό τρόπο, προκειμένου να αυξηθείη αποτελεσματικότητα των CP επιλυτών.

scholarly journals A fine-grained arc-consistency algorithm for non-normalized constraint satisfaction problems

2011 ◽  
Vol 21 (4) ◽  
pp. 733-744 ◽  
Author(s):  
Marlene Arangú ◽  
Miguel Salido
Keyword(s):  
Constraint Satisfaction ◽  
Constraint Programming ◽  
Real Life ◽  
Search Space ◽  
Constraint Satisfaction Problems ◽  
Fine Grained ◽  
Arc Consistency ◽  
Life Problems ◽  
Programming Techniques ◽  
Np Complete

A fine-grained arc-consistency algorithm for non-normalized constraint satisfaction problems Constraint programming is a powerful software technology for solving numerous real-life problems. Many of these problems can be modeled as Constraint Satisfaction Problems (CSPs) and solved using constraint programming techniques. However, solving a CSP is NP-complete so filtering techniques to reduce the search space are still necessary. Arc-consistency algorithms are widely used to prune the search space. The concept of arc-consistency is bidirectional, i.e., it must be ensured in both directions of the constraint (direct and inverse constraints). Two of the most well-known and frequently used arc-consistency algorithms for filtering CSPs are AC3 and AC4. These algorithms repeatedly carry out revisions and require support checks for identifying and deleting all unsupported values from the domains. Nevertheless, many revisions are ineffective, i.e., they cannot delete any value and consume a lot of checks and time. In this paper, we present AC4-OP, an optimized version of AC4 that manages the binary and non-normalized constraints in only one direction, storing the inverse founded supports for their later evaluation. Thus, it reduces the propagation phase avoiding unnecessary or ineffective checking. The use of AC4-OP reduces the number of constraint checks by 50% while pruning the same search space as AC4. The evaluation section shows the improvement of AC4-OP over AC4, AC6 and AC7 in random and non-normalized instances.

scholarly journals Constraint programming viewed as rule-based programming

2001 ◽  
Vol 1 (6) ◽  
pp. 713-750 ◽  
Author(s):  
KRZYSZTOF R. APT ◽  
ERIC MONFROY
Keyword(s):  
Constraint Satisfaction ◽  
Constraint Programming ◽  
Constraint Satisfaction Problems ◽  
Rule Based ◽  
Local Consistency ◽  
Arc Consistency ◽  
Computation Process ◽  
Rule Based Approach ◽  
Rule Consistency

We study here a natural situation when constraint programming can be entirely reduced to rule-based programming. To this end we explain first how one can compute on constraint satisfaction problems using rules represented by simple first-order formulas. Then we consider constraint satisfaction problems that are based on predefined, explicitly given constraints. To solve them we first derive rules from these explicitly given constraints and limit the computation process to a repeated application of these rules, combined with labeling. We consider two types of rule here. The first type, that we call equality rules, leads to a new notion of local consistency, called rule consistency that turns out to be weaker than arc consistency for constraints of arbitrary arity (called hyper-arc consistency in Marriott & Stuckey (1998)). For Boolean constraints rule consistency coincides with the closure under the well-known propagation rules for Boolean constraints. The second type of rules, that we call membership rules, yields a rule-based characterization of arc consistency. To show feasibility of this rule-based approach to constraint programming, we show how both types of rules can be automatically generated, as CHR rules of Frühwirth (1995). This yields an implementation of this approach to programming by means of constraint logic programming. We illustrate the usefulness of this approach to constraint programming by discussing various examples, including Boolean constraints, two typical examples of many valued logics, constraints dealing with Waltz's language for describing polyhedral scenes, and Allen's qualitative approach to temporal logic.

STRONG DOMAIN FILTERING CONSISTENCIES FOR NON-BINARY CONSTRAINT SATISFACTION PROBLEMS

2008 ◽  
Vol 17 (05) ◽  
pp. 781-802 ◽  
Author(s):  
KOSTAS STERGIOU
Keyword(s):  
Empirical Study ◽  
Constraint Satisfaction ◽  
Constraint Programming ◽  
Constraint Satisfaction Problems ◽  
Worst Case ◽  
Generic Algorithm ◽  
Binary Constraints ◽  
Binary Constraint

Domain filtering local consistencies, such as inverse consistencies, that only delete values and do not add new constraints are particularly useful in Constraint Programming. Although many such consistencies for binary constraints have been proposed and evaluated, the situation with non-binary constraints is quite different. Only very recently have domain filtering consistencies stronger than GAC started to attract interest. Following this line of research, we define a number of strong domain filtering consistencies for non-binary constraints and theoretically compare their pruning power. We prove that three of these consistencies are equivalent to maxRPC in binary CSPs while another is equivalent to PIC. We also describe a generic algorithm for domain filtering consistencies in non-binary CSPs. We show how this algorithm can be instantiated to enforce some of the proposed consistencies and analyze the worst-case complexities of the resulting algorithms. Finally, we make a preliminary empirical study.

scholarly journals Towards Constraint-Solving over Higher-Order Unbounded Datatypes using Formal Methods Tools

10.29007/3rvf ◽  
2018 ◽  
Author(s):  
Michael Leuschel
Keyword(s):  
Formal Methods ◽  
Constraint Satisfaction ◽  
Formal Method ◽  
Formal Proof ◽  
Higher Order ◽  
Constraint Satisfaction Problems ◽  
Constraint Solving ◽  
Future Improvement ◽  
High Assurance

We argue that formal methods such as B can be used to conveniently express a widerange of constraint satisfaction problems. We also show that some problems can be solvedquite eectively by existing formal methods tools such as Alloy or ProB. We illustrate ourclaim on several examples. Our approach is particularly interesting when a high assuranceof correctness is required. Indeed, validation and double checking of solutions is availablefor certain formal methods tools and formal proof can be applied to establish importantproperties or provide unambiguous semantics to problem specications. The experimentsalso provide interesting insights about the eectiveness of existing formal method tools,and highlight interesting avenues for future improvement.1

scholarly journals Local Consistency and SAT-Solvers

2012 ◽  
Vol 43 ◽  
pp. 329-351 ◽  
Author(s):  
P. Jeavons ◽  
J. Petke
Keyword(s):  
Constraint Satisfaction ◽  
Constraint Programming ◽  
Inference Rule ◽  
Constraint Satisfaction Problem ◽  
Constraint Satisfaction Problems ◽  
Fixed Size ◽  
Local Consistency ◽  
Sat Solvers ◽  
Clause Learning ◽  
Do So

Local consistency techniques such as k-consistency are a key component of specialised solvers for constraint satisfaction problems. In this paper we show that the power of using k-consistency techniques on a constraint satisfaction problem is precisely captured by using a particular inference rule, which we call negative-hyper-resolution, on the standard direct encoding of the problem into Boolean clauses. We also show that current clause-learning SAT-solvers will discover in expected polynomial time any inconsistency that can be deduced from a given set of clauses using negative-hyper-resolvents of a fixed size. We combine these two results to show that, without being explicitly designed to do so, current clause-learning SAT-solvers efficiently simulate k-consistency techniques, for all fixed values of k. We then give some experimental results to show that this feature allows clause-learning SAT-solvers to efficiently solve certain families of constraint problems which are challenging for conventional constraint-programming solvers.

Sign in / Sign up

Export Citation Format

Share Document