Гибридные методы решения задач удовлетворения нечисловых ограничений с использованием специализированных таблиц

  • Александр Анатольевич Зуенко Институт информатики и математического моделирования https://orcid.org/0000-0002-7165-6651
Ключевые слова: задача удовлетворения ограничений, локальный поиск, распространение ограничений, структурная декомпозиция

Аннотация

Для повышения эффективности представления и обработки качественных зависимостей предметной области в рамках технологии программирования в ограничениях, в статье предлагается использовать специализированные табличные структуры: C- и D-системы. С точки зрения технологии программирования в ограничениях данные структуры могут быть отнесены к такому классу глобальных ограничений как compressed таблицы. Впервые разработаны гибридные методы решения задач удовлетворения нечисловых ограничений, формализованных с помощью предлагаемых C- и D-систем. Отличительной чертой авторских методов является то, что они не используют стратегий поиска в глубину с возвратами, приводящих к экспоненциальному росту времени выполнения вычислительных процедур при росте размерности задачи. Первый из предложенных гибридных методов интегрирует авторские методы распространения нечисловых ограничений с существующими алгоритмами структурной декомпозиции графа ограничений. В результате декомпозиции задача разбивается на подзадачи, граф ограничений каждой из которых представляет собой дерево. В этом случае подзадачи решаются за полиномиальное время с помощью авторских алгоритмов распространения нечисловых ограничений. Метод хорошо подходит для ситуации, когда имеется серия задач с одной и той же структурой графа ограничений, например при анализе типовых запросов к хранилищам данных. Второй из разработанных гибридных методов интегрирует следующие компоненты: авторские методы распространения нечисловых ограничений для сокращения размерности пространства поиска; метод локального поиска на частичных присваиваниях для быстрого выхода из подпространств, не содержащих решение; поиск с запретами (tabu search) для избегания повторного прохождения уже исследованных состояний. Он предназначен для ситуаций, когда требуется найти решение на основе больших объемом информации, но при этом отсутствуют априорные сведения о структуре графа задачи удовлетворения ограничений.

Скачивания

Данные скачивания пока не доступны.

Биография автора

Александр Анатольевич Зуенко, Институт информатики и математического моделирования

канд. техн. наук, ведущий научный сотрудник, Институт информатики и математического моделирования – обособленное подразделение Федерального государственного бюджетного учреждения Федерального исследовательского центра «Кольский научный центр Российской академии наук» (ИИММ КНЦ РАН)

Литература

1. Katsirelos G., Walsh T. A Compression algorithm for large arity extensional constraints. In: Bessière C. (eds) Proceedings of Principles and Practice of Constraint Programming – CP 2007. Lecture Notes in Computer Science. Berlin, Heidelberg: Springer. 2007. 4741. 379-393. DOI.
2. Cheng K. C., Yap R. H. An MDD-based generalized arc consistency algorithm for positive and negative table constraints and some global constraints. Constraints, 2010. 15(2). 265–304. DOI.
3. Wang R., Xia W., Yap R. H. C., Li Z. Optimizing simple tabular reduction with a bitwise representation. In: Proceedings of the Twenty Fifth International Joint Conference on Artificial Intelligence (IJCAI), 2016. 787–793.
4. Verhaeghe H., Lecoutre C., Deville Y., Schaus P. Extending compact-table to basic smart tables. In: Proceedings of 23rd International Conference Principles and Practice of Constraint Programming (CP 2017). Melbourne, VIC, Australia, August 28 – September 1. 2017. 297–307. DOI.
5. Zuenko A. A. Inference on constraints using the matrix representation of finite predicates. Artificial Intelligent and Decision Making, 2014. 3. 21–31. (in Russian).
6. Zuenko A. A. Application of constraint propagation techniques to speed up processing of queries to ontologies. SPIIRAS Proceedings, 2017. 1(50). 112 136. DOI.
7. Zuenko A. Matrix-like structures for representation and processing of constraints over finite domains. In: Abraham et al. (Eds.). Advances in Intelligent Systems and Computing (AISC). Springer Nature Switzerland AG, 2019. 875. 428- 438. DOI.
8. Zuenko A. A. Local search in solution of constraint satisfaction problems represented by non-numerical matrices. In: Proceedings of the 2nd International Conference on Computer Science and Application Engineering (CSAE‘18), October 22-24, 2018, Hohhot, China. ACM New York, NY, USA. 2018. Article 138. DOI.
9. Kulik B., Zuenko A., Fridman A. Algebraic approach to the intelligent processing of data and knowledge. Saint Petersburg, Izd-vo Politekhn. un-ta. 2010. 235 p. (in Russian).
10. Russel S., Norvig P. Artificial intelligence: a modern approach. 3rd edition. Prentice Hall. 2010. 1132 p.
11. Miguel I., Shen Q. Solution techniques for constraint satisfaction problems: foundations. Artificial Intelligence Review, 2001. 15. 241 265. DOI.
12. Dechter R., Pearl J. Tree clustering for constraint networks. Artificial Intelligence, 1989. 38 (3). 353–366. DOI.
13. Dechter R. Enhancement schemes for constraint processing: backjumping, learning and cutset decomposition. Artificial Intelligence, 1990. 41. 273–312. DOI.
14. Dechter R. Network-based heuristics for constraint satisfaction problems. Artificial Intelligence, 1987. 34 (1). 1–38. DOI.
15. Freuder E. C. A sufficient condition for backtrack-free search. Journal of the ACM, 1982. 29 (1). 24–32. DOI.
16. Freuder E. C. A sufficient condition for backtrack-bounded search. Journal of the ACM, 1985. 32 (4). 755–761. DOI: 10.1145/4221.4225.
17. Steinmann O., Strohmaier A., St ̈utzle T. Tabu search vs. random walk. In: Brewka G., Habel C., Nebel B. (eds) Proceedings of KI-97: Advances in Artificial Intelligence. Springer Verlag, Berlin, Germany. 1997. 337-348. DOI.
18. Jussien N., Lhomme O. Local search with constraint propagation and conflict-based heuristics. Artificial Intelligence, 2002. 139. 21-45. DOI.
19. Chatzikokolakis K., Boukeas G., Stamatopoulos P. Construction and repair: a hybrid approach to search in CSPs. In: G. A. Vouros, T. Panayiotopoulos (Eds.). Methods and Applications of Artificial Intelligence. SETN 2004. Lecture Notes in Computer Science. Springer, Berlin, Heidelberg, 2004. 3025. 342–351. DOI.
Опубликован
2020-09-30
Как цитировать
Зуенко, А. А. (2020). Гибридные методы решения задач удовлетворения нечисловых ограничений с использованием специализированных таблиц. Вестник ВГУ. Серия: Системный анализ и информационные технологии, (3), 61-76. https://doi.org/10.17308/sait.2020.3/3041
Раздел
Современные технологии разработки программного обеспечения