[论文解读] Features for Building CSP Portfolio Solvers.

Roberto Amadini, Maurizio Gabbrielli+1 more|arXiv (Cornell University)|Aug 1, 2013

Constraint Satisfaction and Optimization被引用 5

一句话总结

本文提出了一种灵活的框架，用于从以 MiniZinc、FlatZinc 或 XCSP 表示的约束满足与优化问题（CSPs）中提取全面的特征。结果表明，这些特征能够实现高效的求解器组合选择，通过监督学习和无监督学习方法，其性能可与当前最先进的 CSP 求解器组合技术相媲美。

ABSTRACT

Recent research has shown that a single arbitrarily efficient solver can be significantly outperformed by a portfolio of possibly slower on-average solvers. The solver selection is usually done by means of (un)supervised learning techniques which exploit features extracted from the problem specification. In this paper we present an useful and flexible framework that is able to extract an extensive set of features from a Constraint (Satisfaction/Optimization) Problem defined in possibly different modeling languages: MiniZinc, FlatZinc or XCSP. We also report some empirical results showing that the performances that can be obtained using these features are effective and competitive with state of the art CSP portfolio techniques.

研究动机与目标

• 开发一种通用且可扩展的框架，用于从多种建模语言表达的 CSP 中提取特征。
• 通过提供丰富且与问题相关的特征，支持机器学习技术实现有效的求解器组合选择。
• 评估所提取的特征是否能够实现与当前最先进的方法相媲美的求解器组合性能。
• 支持使用该特征集的监督学习和无监督学习策略进行求解器选择。

提出的方法

• 该框架解析来自 MiniZinc、FlatZinc 和 XCSP 等输入格式的 CSP 实例，以提取结构特征和统计特征。
• 计算包括变量和约束数量、域大小、约束类型以及问题密度度量在内的特征。
• 该框架支持可扩展性，允许在不修改核心组件的情况下添加新的特征类型。
• 特征在求解前提取，支持与现有求解器组合选择系统的集成。
• 采用标准基准实例和基于学习的求解器选择流程对该方法进行评估。

实验结果

研究问题

• RQ1 统一的特征提取框架能否有效处理来自 MiniZinc、FlatZinc 和 XCSP 等多样化建模语言的 CSP？
• RQ2 与现有最先进的技术相比，所提取的特征在实现有效求解器组合选择方面的表现如何？
• RQ3 这些特征在多大程度上支持求解器选择的监督学习和无监督学习策略？

主要发现

• 所提出的特征提取框架成功支持了多种建模语言，包括 MiniZinc、FlatZinc 和 XCSP。
• 所提取的特征使求解器组合选择方法的性能可与当前最先进的 CSP 求解器组合技术相媲美。
• 该框架的可扩展性使得新增特征类型易于集成，从而增强了适应能力。
• 实证结果证实，该特征集在引导求解器选择方面具有显著效果，提升了组合系统的效率。