[论文解读] Reasoning about soft constraints and conditional preferences: complexity results and approximation techniques

Carmel Domshlak, Francesca Rossi+2 more|ArXiv.org|May 22, 2009

Constraint Satisfaction and Optimization参考文献 15被引用 76

一句话总结

本文提出了一种统一框架，结合CP-nets与软约束，以处理优化问题中的硬约束/软约束及条件偏好。该框架引入了两种近似技术——min+和SLO半环，既保留了CP-net语义，又降低了计算复杂度，其中SLO支持字典序排序，min+则能实现更具一致性的鲁棒主导性查询。

ABSTRACT

Many real life optimization problems contain both hard and soft constraints, as well as qualitative conditional preferences. However, there is no single formalism to specify all three kinds of information. We therefore propose a framework, based on both CP-nets and soft constraints, that handles both hard and soft constraints as well as conditional preferences efficiently and uniformly. We study the complexity of testing the consistency of preference statements, and show how soft constraints can faithfully approximate the semantics of conditional preference statements whilst improving the computational complexity

研究动机与目标

• 为解决现实世界优化问题中缺乏统一形式化方法来处理硬约束、软约束和条件偏好这一问题。
• 分析基于定性条件偏好的推理（CP-nets）的计算复杂度，特别是偏好一致性问题。
• 开发基于软约束的近似技术，以忠实建模CP-net语义，同时提升可计算性。
• 比较两种近似方案（min+和SLO半环）在表达能力和计算复杂度方面的差异。
• 在产品配置等系统中，实现实际的偏好获取与一致性检查，借助统一的约束与偏好推理框架。

提出的方法

• 通过c-半环将CP-nets与软约束集成，实现对硬约束、软约束和条件偏好的统一处理。
• min+半环使用min进行组合，+进行比较，通过最小满足水平建模偏好主导性。
• SLO半环通过在整数序列上使用max_s和min_s算子实现字典序排序，精确建模CP-net偏好。
• 偏好序列通过基于约束违反程度赋值构建，数值越高表示满足度越高。
• SLO模型将每个CP-net偏好编码为整数序列，每个位置对应一个约束，其值反映偏好等级。
• 主导性查询通过半环运算进行评估，结果根据诱导出的偏序或全序关系进行排序。

实验结果

研究问题

• RQ1 通过CP-nets表达的条件偏好语句的一致性检查，其计算复杂度如何？
• RQ2 如何利用软约束对CP-net语义进行近似，同时降低推理复杂度？
• RQ3 在表达能力与计算效率方面，min+与SLO近似方案之间的权衡是什么？
• RQ4 SLO半环能否保留CP-nets的ceteris paribus语义和条件偏好结构？
• RQ5 两种近似模型在处理CP-nets中不可比较结果时，表现有何差异？

主要发现

• SLO半环诱导出的字典序排序能够完整保留CP-net偏好关系，包括条件依赖关系和ceteris paribus假设。
• min+半环对不可比较结果的线性化程度较低，将其视为相等而非任意排序，更具直观性。
• 两种近似方法均保留了原始CP-net中可比较结果的主导关系，确保语义忠实性。
• SLO模型确保所有偏好语句严格排序，而min+允许将不可比性映射为相等，可能更符合用户直觉。
• 由于SLO模型继承了半环结构，其主导性查询具有线性时间复杂度，支持高效推理。
• 当保持不可比性至关重要时，min+模型更适合偏好获取；而SLO模型则更适合在优化中实现严格全序。