[논문 리뷰] Structure Based Extended Resolution for Constraint Programming

Geoffrey Chu, Peter J. Stuckey|arXiv (Cornell University)|2013. 06. 19.

Constraint Satisfaction and Optimization참고 문헌 18인용 수 5

한 줄 요약

이 논문은 제약 프로그래밍 솔버를 위한 구조 기반 확장 해상법을 제안하며, 고수준 모델의 구조를 활용해 논리적 리터럴(예: 부분 합)을 지능적으로 해상 증명 체계에 도입한다. 전역 제약 조건의 구조를 이용해 유용한 언어 확장을 이끌어내어 증명 크기와 탐색 공간을 크게 줄이며, 표준 nogood 학습에 비해 조합 최적화 문제에서 지수적 속도 향상을 이룬다.

ABSTRACT

Nogood learning is a powerful approach to reducing search in Constraint Programming (CP) solvers. The current state of the art, called Lazy Clause Generation (LCG), uses resolution to derive nogoods expressing the reasons for each search failure. Such nogoods can prune other parts of the search tree, producing exponential speedups on a wide variety of problems. Nogood learning solvers can be seen as resolution proof systems. The stronger the proof system, the faster it can solve a CP problem. It has recently been shown that the proof system used in LCG is at least as strong as general resolution. However, stronger proof systems such as \emph{extended resolution} exist. Extended resolution allows for literals expressing arbitrary logical concepts over existing variables to be introduced and can allow exponentially smaller proofs than general resolution. The primary problem in using extended resolution is to figure out exactly which literals are useful to introduce. In this paper, we show that we can use the structural information contained in a CP model in order to introduce useful literals, and that this can translate into significant speedups on a range of problems.

연구 동기 및 목표

• 확장 해상법에서 효과적인 언어 확장을 선택하는 데 도전하는 문제를 해결하기 위해, 무작위 또는 히ュ리스틱 기반의 확장은 성능 향상에 실패하는 경우가 많다.
• 특히 전역 제약 조건을 포함한 고수준 CP 모델에 내재된 구조적 정보를 활용하여 의미적으로 유의미하고 강력한 새로운 리터럴을 도입할 수 있도록 유도한다.
• LCG 프로파게이터가 생성하는 설명의 일반성을 평가하기 위한 프레임워크를 개발하여, 유용한 언어 확장을 더 잘 선택할 수 있도록 한다.
• 구조 인식 확장이 증명 크기를 지수적으로 줄이고 해결 속도를 높일 수 있으며, 표준 nogood 학습 및 이전의 SAT 기반 확장 해상법 기법보다 뛰어나다는 것을 입증한다.

제안 방법

• 고정된 해상 언어 L 기반으로 LCG 프로파게이터의 설명 일반성 평가 프레임워크를 도입하여, 잠재적 언어 확장의 체계적 평가를 가능하게 한다.
• 일반적인 전역 제약 조건(예: 누적, 박스 패킹, 모두 다른)의 내부 구조를 분석하여 부분 합 또는 임계값 표현과 같은 새로운 논리적 리터럴의 자연스러운 후보를 식별한다.
• 제약 조건의 구조적 의미를 활용해 복잡한 논리적 관계를 전체 CNF 변환 없이도 포괄하는 새로운 리터럴(예: $\llbracket x_1 + x_2 \geq 5 \rrbracket$)을 정의한다.
• 이러한 새로운 리터럴을 LCG 솔버의 해상 시스템에 통합하여 nogood 유도 및 가지치기에서 활용할 수 있도록 하되, 효율적인 메모리 관리를 유지한다.
• 해결 과정에서 실제로 필요한 리터럴의 수가 매우 적다는 점을 활용하여, 복잡한 리터럴을 동적으로 생성하고 폐기함으로써 성능에 영향을 주지 않도록 한다.
• 확장 선택에 SAT 스타일 히ュ리스틱(예: 계수 크기 또는 충돌 패tern)에 의존하지 않고, 문제의 의미를 기반으로 의미 있는 리터럴의 선택을 유도한다.

실험 결과

연구 질문

• RQ1 CP 모델의 구조적 정보를 활용해 확장 해상법에서 새로운 논리적 리터럴을 도입할 수 있는가? 이는 더 강력한 증명 체계를 가능하게 하는가?
• RQ2 어떤 유형의 제약 조건 구조가 유용한 언어 확장을 자연스럽게 제안하며, nogood 설명의 일반성과 강도를 향상시키는가?
• RQ3 구조 기반 확장 해상법은 표준 LCG 및 SAT 기반 확장 해상법 기법과 비교해 증명 크기와 해결 성능 측면에서 어떻게 다른가?
• RQ4 의미적으로 유의미한 리터럴(예: 부분 합)의 도입이 증명 크기와 탐색 공간을 지수적으로 줄일 수 있는가?

주요 결과

• 구조 기반 확장 해상법은 $\llbracket x_1 + x_2 \geq 5 \rrbracket$와 같은 논리적으로 의미 있는 리터럴을 도입함으로써 일반 해상법에 비해 지수적으로 작아진 증명을 유도할 수 있다.
• 누적 및 모두 다른와 같은 제약의 전역 구조를 활용함으로써 다양한 조합 최적화 문제에서 뚜렷한 속도 향상을 달성한다.
• 제약의 의미적 구조를 기반으로 리터럴 도입을 유도하는 방식이 계수 크기 기반 SAT 스타일 히ュ리스틱보다 뛰어나며, 이는 종종 유용한 부분 합 리터럴을 발견하지 못한다.
• 프레임워크를 통해 복잡한 리터럴의 동적 생성 및 폐기를 가능하게 하여, 언어 확장의 잠재적 기수의 크기가 크더라도 실용적인 구현이 가능하다.
• 실험 결과, 구조 기반 확장은 다른 순서 전략의 이점을 상쇄시킴으로써, 효과적인 확장 선택을 위해 구조적 통찰이 필수적임을 입증한다.