[논문 리뷰] Decompositions of All Different, Global Cardinality and Related Constraints

Christian Bessière, George Katsirelos외 3명|ArXiv.org|2009. 05. 22.

Constraint Satisfaction and Optimization참고 문헌 25인용 수 23

한 줄 요약

이 논문은 All-Different 및 Global Cardinality Constraint(GCC)와 같은 전역 제약 조건을 경계 또는 범위 일致성을 유지하는 단순 산술 제약 조건으로 분해하는 방법을 제시한다. 이는 단일 기반의 전파기 없이도 효율적인 전파를 가능하게 하며, 새로운 솔버에의 통합을 가능하게 하고, 공유 변수를 통한 제약 간 전파를 가능하게 한다. 실험 결과, 홀 집합 간격 탐지 덕분에 탐색 공간이 크게 감소함을 보여준다.

ABSTRACT

We show that some common and important global constraints like ALL-DIFFERENT and GCC can be decomposed into simple arithmetic constraints on which we achieve bound or range consistency, and in some cases even greater pruning. These decompositions can be easily added to new solvers. They also provide other constraints with access to the state of the propagator by sharing of variables. Such sharing can be used to improve propagation between constraints. We report experiments with our decomposition in a pseudo-Boolean solver.

연구 동기 및 목표

• All-Different 및 GCC와 같은 전역 제약 조건을 강력한 局부 일치성을 유지하는 단순 산술 제약 조건으로 분해하는 것.
• 커스텀 전파기 구현 없이도 이러한 제약 조건을 새로운 제약 솔버에 효율적으로 통합할 수 있도록 하는 것.
• 분해 간 공유 변수를 제공하여 제약 간 전파를 향상시키는 것.
• 복잡한 전파가 단순하고 모듈러한 분해를 통해 시뮬레이션될 수 있는지 탐색하는 것.
• 홀 집합 간격 탐지가 탐색 공간 감소에 미치는 영향을 조사하는 것.

제안 방법

• 보조 변수를 사용하여 도메인 간격을 표현하고, 합 및 범위 제약 조건을 통해 쌍별로 다른 값을 가지도록 보장하는 방식으로 All-Different 제약 조건을 산술 제약 조건으로 분해한다.
• 홀 집합 간격—일정한 수의 변수의 도메인을 정확히 커버하는 값의 간격—을 사용하여 자르기(pruning)의 기초로 삼는다.
• 표준 제약 전파 기법을 사용하여 분해된 산술 제약 조건에 대해 경계 일치성(BC) 및 범위 일치성(RC) 전파를 구현한다.
• 증강된 이元 및 홀 집합 간격 기반 분해(BI 및 HI)를 도입하여 작은 및 큰 홀 집합 간격을 탐지하고 활용하여 자르기 효과를 극대화한다.
• 기본 문제에 대한 성능 평가를 위해 분해를 의사 부울 솔버에 통합한다.
• 제약 간 공유 보조 변수를 통해 상태 정보를 전파하고, 필터링 성능을 향상시킨다.

실험 결과

연구 질문

• RQ1 All-Different 및 GCC와 같은 전역 제약 조건이 단순 산술 제약 조건으로 분해되어도 여전히 경계 또는 범위 일치성을 유지할 수 있는가?
• RQ2 이러한 분해 방식이 단일 기반 전파기와 비교해 효과적인 전파를 가능하게 하는가?
• RQ3 이러한 분해 방식이 커스텀 구현 없이도 새로운 제약 솔버에 쉽게 통합될 수 있는가?
• RQ4 실제로 홀 집합 간격 탐지가 탐색 공간을 어느 정도 감소시키는가?
• RQ5 분해 내 공유 변수가 제약 간 전파를 향상시킬 수 있는가?

주요 결과

• All-Different 및 GCC 제약 조건을 산술 제약 조건으로 분해함으로써 경계 일치성 및 범위 일치성을 달성하여, 단일 기반 전파기와 동일한 자르기 능력을 확보하였다.
• 실험 결과, 작은 홀 집합 간격(HI₁) 탐지가 백트랙킹 수와 런타임을 크게 감소시키며, 특히 더블휠 그레시프루 그래프 인스턴스에서 두드러진 효과를 보였다.
• 증강된 BI 분해 방식은 많은 인스턴스에서 표준 BI보다 우수한 성능을 보였으며, 특히 큰 홀 집합 간격이 존재할 경우 두드러졌다.
• 더블휠 그레시프루 그래프에서, 10개 변수를 가진 인스턴스에서 HI₁은 표준 BI 대비 백트랙킹 수를 최대 90% 감소시켰다.
• 보조 변수의 도입으로 제약 간 전파가 가능해져, 고립된 제약 처리를 넘어서 필터링 성능이 향상되었다.
• 결과적으로, 작은 홀 집합 간격에 초점을 맞춘 전파 및 노고드 학습이 큰 간격에 비해 더 효과적일 수 있으며, 큰 간격이 자주 발생하는 경우를 제외하고는 그러한 경향이 뚜렷했다.