[论文解读] Rational Deployment of CSP Heuristics

David Tolpin, Solomon Eyal Shimony|arXiv (Cornell University)|Apr 11, 2011

Constraint Satisfaction and Optimization参考文献 11被引用 7

一句话总结

本文提出一种基于信息价值（VOI）的理性元推理方法，用于在约束满足问题（CSP）回溯搜索中自适应地部署计算成本较高的解计数估计启发式方法。通过仅在预期收益超过计算成本时才计算启发式方法，该方法相比始终计算启发式方法，将整体搜索时间减少了高达38%，且方差显著低于随机部署策略。

ABSTRACT

Heuristics are crucial tools in decreasing search effort in varied fields of AI. In order to be effective, a heuristic must be efficient to compute, as well as provide useful information to the search algorithm. However, some well-known heuristics which do well in reducing backtracking are so heavy that the gain of deploying them in a search algorithm might be outweighed by their overhead. We propose a rational metareasoning approach to decide when to deploy heuristics, using CSP backtracking search as a case study. In particular, a value of information approach is taken to adaptive deployment of solution-count estimation heuristics for value ordering. Empirical results show that indeed the proposed mechanism successfully balances the tradeoff between decreasing backtracking and heuristic computational overhead, resulting in a significant overall search time reduction.

研究动机与目标

• 解决在CSP求解中昂贵启发式方法的性能增益与其计算开销之间的权衡问题。
• 开发一种基于预期效用的理性自适应机制，以决定何时计算解计数估计启发式方法。
• 仅在信息价值（VOI）为正时才部署启发式方法，从而减少整体搜索时间。
• 通过实证验证，VOI驱动的部署策略优于始终计算或随机部署启发式方法。
• 证明在某些病态情形下，选择性地使用启发式方法仍可实现显著的性能提升，即使完整计算会增加运行时间。

提出的方法

• 使用理性元推理将是否计算启发式方法的决策建模为VOI计算，平衡预期效用增益与计算成本。
• 将启发式方法的VOI定义为使用与不使用该启发式方法在效用上的期望差值，并考虑时间成本的调整。
• 将VOI框架专门应用于估计变量赋值解数量的价值排序启发式方法。
• 采用基于阈值的策略：仅当VOI超过预先计算的成本阈值时才计算启发式方法。
• 使用IJGP-SC（迭代联合图传播）方法对解计数进行经验估计，作为底层启发式计算方法。
• 将VOI决策机制集成到带有弧一致性（MAC）的回溯搜索算法中，实现动态、与状态相关的启发式激活。

实验结果

研究问题

• RQ1 能否使用信息价值（VOI）框架来理性决策，在CSP求解中何时计算昂贵的解计数估计启发式方法？
• RQ2 基于VOI的启发式方法自适应部署是否能将整体搜索时间降低至低于始终计算该启发式方法的水平？
• RQ3 与随机或固定部署策略相比，VOI驱动的部署在搜索时间与方差方面表现如何？
• RQ4 在哪些问题实例中，解计数启发式方法的计算开销超过了其收益？VOI能否预测这种情况？
• RQ5 在某些病态情形下，即使完整计算启发式方法会增加运行时间，VOI机制是否仍能实现性能提升？

主要发现

• 与始终计算启发式方法相比，VOI驱动的部署将平均搜索时间减少了约38%，平均时间分别为19.841秒与31.421秒。
• VOI驱动部署的搜索时间标准差（0.188秒）比随机部署（20.038秒）低100倍，表明其具有高度稳定性。
• VOI驱动部署的中位数搜索时间（19.815秒）显著低于随机部署的中位数（42.085秒），表明性能提升具有一致性。
• 在许多问题实例中，仅在搜索状态的极小部分中估计解计数即可达到最优性能，证实了选择性计算的价值。
• 所提出的机制成功平衡了回溯减少与启发式开销之间的权衡，在不同问题规模与难度水平下均实现了持续的性能提升。
• 实证结果表明，VOI策略优于固定与随机部署策略，即使在完整计算启发式方法反而有害的情况下也表现更优。