[논문 리뷰] SUNNY: a Lazy Portfolio Approach for Constraint Solving

Roberto Amadini, Maurizio Gabbrielli외 1명|SPIRE - Sciences Po Institutional REpository|2013. 11. 14.

Logic, Reasoning, and Knowledge인용 수 7

한 줄 요약

SUNNY는 제약 만족 문제(CSPs)를 위한 레이지 포트폴리오 접근법을 제안하며, 오프라인 학습이 필요 없이 k-최근접 이웃(k-NN)을 사용해 인스턴스 유사도 기반으로 솔버를 선택한다. 동적으로 솔버를 스케줄링하여 가장 가까운 이웃 집합 내에서 가장 많은 인스턴스를 해결하는 솔버를 우선순위에 두며, 시뮬레이션과 실제 환경에서 CPHydra, 3S, SATzilla와 같은 최신 기술 포트폴리오 솔버를 뛰어넘는 성능을 달성한다. 이는 sunny-csp 솔버를 통해 실현되었다.

ABSTRACT

*** To appear in Theory and Practice of Logic Programming (TPLP) *** Within the context of constraint solving, a portfolio approach allows one to exploit the synergy between different solvers in order to create a globally better solver. In this paper we present SUNNY: a simple and flexible algorithm that takes advantage of a portfolio of constraint solvers in order to compute --- without learning an explicit model --- a schedule of them for solving a given Constraint Satisfaction Problem (CSP). Motivated by the performance reached by SUNNY vs. different simulations of other state of the art approaches, we developed sunny-csp, an effective portfolio solver that exploits the underlying SUNNY algorithm in order to solve a given CSP. Empirical tests conducted on exhaustive benchmarks of MiniZinc models show that the actual performance of SUNNY conforms to the predictions. This is encouraging both for improving the power of CSP portfolio solvers and for trying to export them to fields such as Answer Set Programming and Constraint Logic Programming.

연구 동기 및 목표

• 제약 만족 문제(CSPs)의 포트폴리오 솔버와 SAT의 포트폴리오 솔버 간 격차를 메우기 위해 실용적이고 가벼운 포트폴리오 사용 방식을 제안한다.
• 복잡하고 계산 비용이 큰 오프라인 학습 단계를 필요로 하는 기존 포트폴리오 솔버의 한계를 해결한다.
• 실전 응용 분야에서 경쟁 환경을 초월해도 사용 가능한 유연하고 증분적이고 구현 가능한 포트폴리오 솔버를 개발한다.
• 유사도 기반의 레이지 포트폴리오 솔버 선택 메커니즘이 CSP 해결에 얼마나 효과적인지 평가한다.
• 포트폴리오 솔버의 적용 범위를 답변 집합 프로그래밍(ASP) 및 제약 논리 프로그래밍(CLP)과 같은 새로운 분야로 확장한다.

제안 방법

• SUNNY는 새로운 미해결된 CSP 인스턴스와 가장 유사한 k개의 인스턴스를 학습 데이터셋에서 k-최근접 이웃(k-NN) 알고리즘을 사용해 식별한다.
• k-NN 이웃 집합 내에서 가장 많은 인스턴스를 해결할 수 있는 최소한의 솔버 집합을 기반으로 하위 포트폴리오를 구성한다.
• 각 솔버의 시간 할당은 그 솔버가 성공적으로 해결한 이웃 집합 내 인스턴스 수에 비례한다.
• 모델 학습을 명시적으로 수행하지 않고, 오직 인스턴스 유사도와 이전 솔버 성능에 의존함으로써 명시적 모델 학습을 회피한다.
• 이 방법은 sunny-csp라는 이름의 MiniZinc 호환 포트폴리오 솔버로 구현되었으며, 11개의 구성 솔버를 포함한다.
• 이 프레임워크는 병렬 포트폴리오로의 확장이 가능하며, ASP 및 CLP와 같은 다른 분야로도 적응 가능하도록 설계되었다.

실험 결과

연구 질문

• RQ1 오프라인 모델 학습이 필요 없이 레이지이고 유사도 기반인 포트폴리오 접근법이 제약 만족 문제 해결에서 최신 기술 포트폴리오 솔버를 뛰어넘을 수 있는가?
• RQ2 k-NN 기반의 솔버 선택은 새로운 CSP 인스턴스에 대해 최적의 솔버를 얼마나 잘 예측하는가?
• RQ3 SUNNY 알고리즘은 다양한 MiniZinc 벤치마크에 대해 얼마나 잘 스케일업되고 일반화되는가?
• RQ4 SUNNY 기반의 포트폴리오 솔버는 실제 환경에서 구성 솔버들보다 더 뛰어난 성능을 달성할 수 있는가?
• RQ5 성능와 실용적 구현 가능성 측면에서, SUNNY 접근법은 비레이지, 학습 기반 포트폴리오 방법과 비교해 어떻게 성과를 내는가?

주요 결과

• SUNNY는 CPHydra, 3S, SATzilla를 포함한 평가된 모든 최신 기술 포트폴리오 솔버를 시뮬레이션 기반 성능 비교에서 뛰어넘었다.
• 실제로 구현된 sunny-csp는 전수적인 MiniZinc 벤치마크에서 그 11개의 구성 솔버 각각을 뛰어넘는 성능을 보였다.
• 실험 결과는 sunny-csp의 성능가 SUNNY 시뮬레이션에서 예측된 행동과 매우 유사하게 일치함을 확인했다.
• 간편함과 학습 오버헤드가 없기에, 경쟁 외 실생활 환경에서의 구현 잠재력이 높게 평가되었다.
• 답변 집합 프로그래밍(ASP) 및 제약 논리 프로그래밍(CLP)과 같은 다른 분야로의 적용도 가능하며, 최적화 문제에 대한 초기 결과에서 유망한 성과를 보였다.
• 향후 확장이 가능한 프레임워크로서, 온라인 학습, 동적 지식 기반 업데이트, 병렬 포트폴리오 실행 등이 가능하다.