[논문 리뷰] Combinatorial Search With Picat

Neng‐Fa Zhou|arXiv (Cornell University)|2014. 05. 11.

Logic, Reasoning, and Knowledge참고 문헌 27인용 수 5

한 줄 요약

이 논문은 조합 최적화를 위한 로직 기반 다중 프로그래밍 스타일 언어인 Picat을 제안한다. Picat은 제약 프로그래밍(CP), SAT, MIP 솔버, 동적 프로그래밍을 위한 테이블링, 그리고 계획 모듈을 통합한다. Picat의 계획 모듈은 항목 공유(term-sharing)와 자원 제한된 테이블링 검색을 기반으로 하여, 표준 벤치마크에서 최신 ASP 및 PDDL 계획기보다 뛰어난 성능을 보이며, Ricochet Robots에서 최대 3배의 속도 향상을 달성하고, 히ュ리스틱을 사용해 30개의 인스턴스를 모두 2.2초 이내에 해결한다.

ABSTRACT

Picat, a new member of the logic programming family, follows a different doctrine than Prolog in offering the core logic programming concepts: arrays and maps as built-in data types; implicit pattern matching with explicit unification and explicit non-determinism; functions for deterministic computations; and loops for convenient scripting and modeling purposes. Picat provides facilities for solving combinatorial search problems, including a common interface with CP, SAT, and MIP solvers, tabling for dynamic programming, and a module for planning. Picat's planner module, which is implemented by the use of tabling, has produced surprising and encouraging results. Thanks to term-sharing and resource-bounded tabled search, Picat overwhelmingly outperforms the cutting-edge ASP and PDDL planners on the planning benchmarks used in recent ASP competitions.

연구 동기 및 목표

• 조합 문제를 위한 Python의 표현력과 OPL, MiniZinc의 모델링 능력을 결합한 일반 목적의 로직 프로그래밍 언어를 설계하기 위해.
• Prolog의 한계, 즉 비결정적 기본 백트래킹과 내장형 배열, 반복문의 부재를 해결하기 위해 명시적 비결정성과 일급 데이터 구조를 도입함으로써.
• CP, SAT, MIP 솔버에 대한 통합 인터페이스를 제공하여 조합 문제의 고성능 해결을 가능하게 하고, 테이블링을 통한 동적 프로그래밍 지원을 통해.
• 테이블링과 항목 공유를 활용하여 상태 공간 검색 문제, 특히 계획 도메인에서 효율적으로 해결할 수 있는 계획 모듈을 개발하기 위해.
• 효율적인 표현 방식과 검색 기법을 통해 실제 벤치마크에서 최신 ASP 및 PDDL 계획기보다 Picat이 뛰어난 성능을 보임을 입증하기 위해.

제안 방법

• 규칙 선택을 위해 통합 대신 패턴 매칭을 사용하여, 더 빠른 완전 인덱싱된 규칙 해석과 Prolog보다 향상된 확장성 확보.
• 백트래킹 가능한 규칙을 통한 명시적 비결정성 지원으로, 컷 연산자 사용이 필요 없어지며 코드의 명확성과 정확성이 향상됨.
• 결정적 계산, 배열, 맵, 반복문을 위한 함수를 제공하여 조합 문제의 모델링을 간결하고 가독성 있게 가능하게 함.
• CP, SAT, MIP 솔버에 대한 공통 인터페이스를 제공하여 솔버 간 원활한 전환과 혼합 정수 및 제약 기반 모델링 지원.
• 계획 모듈은 상태 결과를 캐시하고 재사용하기 위해 테이블링을 사용하며, 메모리 사용량 감소와 등가성 검사 가속화를 위해 항목 공유와 해시-콘싱을 활용.
• 자원 제한된 테이블링 검색을 통해 생산적이지 않은 검색 경로를 잘라내며, 자원 검사를 통한 히ュ리스틱 통합으로 효율적인 검색 유도.

실험 결과

연구 질문

• RQ1 기능적 및 명령형 프로그래밍의 표현력과 제약 및 최적화 언어의 모델링 능력을 결합한 로직 프로그래밍 언어를 설계할 수 있는가?
• RQ2 항목 공유와 효율적인 데이터 표현 방식은 계획 문제의 상태 공간 검색 성능에 어떻게 기여하는가?
• RQ3 테이블링과 자원 제한된 검색이 조합 최적화 벤치마크에서 전통적인 ASP 및 PDDL 계획기보다 얼마나 뛰어나게 성능을 높일 수 있는가?
• RQ4 CP, SAT, MIP 솔버에 대한 통합 인터페이스는 제약 만족 문제의 모델링에 대해 얼마나灵活性 있고 고성능를 제공할 수 있는가?
• RQ5 히ュ리스틱 통합과 대칭성 제거 표현 방식은 복잡한 계획 도메인에서 검색 속도 향상에 얼마나 효과적인가?

주요 결과

• Picat의 계획 모듈은 Ricochet Robots 벤치마크에서 Potassco(ASP’13 경연 대회 우승자)보다 평균 5.3배 빠르게 동작하며, 히ュ리스틱 없이도 30개 인스턴스를 모두 9.3초 내에 해결한다.
• 간단한 히ュ리스틱을 사용함으로써 Picat은 Ricochet Robots의 평균 해결 시간을 2.2초로 단축하여 자원 인지 검색 절단의 효과를 입증한다.
• Picat은 Ricochet Robots 벤치마크의 30개 인스턴스를 모두 해결하지만, Potassco는 평균 49.5초가 걸려 뚜렷한 성능 우위를 보인다.
• 항목 공유와 해시-콘싱을 통한 계획 모듈의 사용은 메모리 사용량 감소와 등가성 검사 가속화를 가능하게 하여 공유 상태 구성 요소의 효율적 재사용을 가능하게 한다.
• 정렬된 리스트를 사용한 상태 표현과 구조적 공유를 통한 대칭성 파기 및 효율적인 상태 캐싱은 성능 향상에 기여한다.
• Picat의 계획 모듈은 Ricochet Robots 뿐만 아니라 Nomystery, Sokoban, Solitaire 등의 다른 벤치마크에서도 최신 ASP 및 PDDL 계획기보다 뛰어난 성능을 보이며 일관되게 승리한다.