[论文解读] PPZ For More Than Two Truth Values - An Algorithm for Constraint Satisfaction Problems

Dominik Scheder|arXiv (Cornell University)|Oct 27, 2010

Constraint Satisfaction and Optimization参考文献 5被引用 3

一句话总结

本文将PPZ算法从$k$-SAT推广至$d$-元约束满足问题（$d,k$-CSP），证明当约束中的关键变量互不相同时，其成功概率达到最大——这一条件使得通过一种新颖的子模函数相关性不等式，能够推导出成功概率的紧致下界。关键结果表明，在结构假设下，最坏情况下的成功概率与最佳情况一致，优于以往的高估结果。

ABSTRACT

We analyze the so-called ppz algorithm for (d,k)-CSP problems for general values of d (number of values a variable can take) and k (number of literals per constraint). To analyze its success probability, we prove a correlation inequality for submodular functions.

研究动机与目标

• 将PPZ算法从$k$-SAT推广至一般$d \geq 3$和$k \geq 3$的$d,k$-CSP。
• 分析推广后的PPZ算法在$d,k$-CSP中最坏情况下的成功概率。
• 通过证明子模函数的相关性不等式，解决关键约束中变量重叠的挑战。
• 表明当所有关键变量互不相同时，最坏情况下的成功概率达到最小，从而实现更紧致的界。

提出的方法

• 通过按随机顺序处理变量，并将每个变量设置为未被单位约束禁止的均匀随机允许值，将PPZ算法推广至$d,k$-CSP。
• 提出$d,k$-CSP的正式模型，其中变量取值于$[d]$，约束表示为$(x_i \neq c)$的析取式，公式为这些约束的合取式。
• 推导出子模函数的相关性不等式，证明当关键变量互不相同时，变量的允许值数量的期望最小。
• 使用耦合论证，将重叠约束中依赖指示变量的对数函数期望与独立情况下的期望进行比较，证明前者在随机优势意义下更小。
• 对子模函数复合单调且凹的函数，保持子模性，从而可应用已知不等式。
• 采用以变量在随机排列中位置为条件的条件期望框架，以界定成功概率。

实验结果

研究问题

• RQ1 当$d \geq 3$且$k \geq 3$时，PPZ算法在$d,k$-CSP中最坏情况下的成功概率是多少？
• RQ2 关键约束中变量的重叠如何影响PPZ算法在$d,k$-CSP中的成功概率？
• RQ3 能否利用子模函数的相关性不等式证明最坏情况出现在所有关键变量互不相同时？
• RQ4 当约束结构避免变量重叠时，推广后的PPZ算法的成功概率是否会提高？
• RQ5 即使变量在约束间共享，对允许值数量的对数函数的期望是否仍被独立情况所随机支配？

主要发现

• $d,k$-CSP中PPZ算法的最坏情况成功概率下界为$d^{-n(1 - 1/k)}$，在关键变量互异假设下与最佳情况行为一致。
• 当每个$c \in \{2,\dots,d\}$对应的关键约束中所有变量两两互异时，算法达到最坏情况，此时被禁止的值最多，允许的值最少。
• 提出一种新颖的子模函数相关性不等式，表明当变量独立时，凹函数与子模函数复合的期望最大，这意味着重叠变量会降低允许值的期望数量。
• 在关键变量互异的最坏情况假设下，算法的成功概率上界为$d^{-n(1 - 1/k)}$，确认这是目前已知最紧的界。
• 本分析优于Li等人先前的工作，后者对所有被禁止值的情形一视同仁，而本文通过区分仅一个、两个或多个被禁止值的情形，表明后者对算法更有利。
• 通过基于子模函数性质的耦合论证，证明了给定变量在排列中位置时，允许值数量对数的条件期望，被独立情况所上界控制。