[论文解读] Stochastic Constraint Programming

Toby Walsh|ArXiv.org|Mar 6, 2009

Constraint Satisfaction and Optimization参考文献 17被引用 142

一句话总结

本文提出随机约束规划（SCP），一种通过区分决策变量（可控）与随机变量（受概率分布控制）来扩展约束规划的框架。它通过基于早期结果条件化后续决策的策略来建模不确定性下的决策，支持求解具有概率约束和期望成本优化的随机CSP与COP的完整算法与近似方法。

ABSTRACT

To model combinatorial decision problems involving uncertainty and probability, we introduce stochastic constraint programming. Stochastic constraint programs contain both decision variables (which we can set) and stochastic variables (which follow a probability distribution). They combine together the best features of traditional constraint satisfaction, stochastic integer programming, and stochastic satisfiability. We give a semantics for stochastic constraint programs, and propose a number of complete algorithms and approximation procedures. Finally, we discuss a number of extensions of stochastic constraint programming to relax various assumptions like the independence between stochastic variables, and compare with other approaches for decision making under uncertainty.

研究动机与目标

• 通过在传统约束规划中引入随机变量，解决涉及不确定性和概率的决策问题。
• 建模现实场景（如生产计划、护士排班和投资组合管理）中的不确定性，其中未来结果不可预测。
• 基于策略提供形式化语义，以确定如何根据观测到的随机变量来设定决策变量。
• 开发完整算法与近似方法，用于求解随机约束满足与优化问题。
• 在保留约束规划效率的同时，推广现有框架（如随机整数规划与概率约束满足），并加以扩展。

提出的方法

• 使用六元组建模不确定性：变量（V）、随机变量（S）、定义域（D）、概率分布（P）、约束（C）和满足阈值（θ）。
• 定义一阶段、两阶段及多阶段随机CSP，其中决策变量在观察随机变量之前或之后设定，并采用条件策略处理后续决策。
• 采用概率满足：若满足所有约束的概率超过阈值θ，则解有效。
• 通过在决策变量与随机变量上引入成本函数，扩展为随机COP，以最小化期望成本（如库存积压成本）。
• 利用约束传播与专用的一致性检查算法提升效率，充分发挥约束规划的优势。
• 提出完整算法以获得精确解，以及近似方法以提升复杂问题的可扩展性。

实验结果

研究问题

• RQ1 如何扩展约束规划以建模同时包含可控决策与不确定结果的决策问题？
• RQ2 随机约束规划的形式化语义是什么？其能否捕捉基于观测随机变量的条件决策策略？
• RQ3 如何利用完整算法与近似方法高效求解随机约束规划？
• RQ4 该框架在何种方式下可放宽对随机变量之间独立性的假设？
• RQ5 与马尔可夫决策过程和影响图等其他不确定性建模方法相比，随机约束规划有何异同？

主要发现

• 随机约束规划提供了一个统一框架，将约束规划的表达能力与随机整数规划的概率建模能力相结合。
• 该框架支持多阶段随机CSP与COP，实现基于条件策略的不确定性下顺序决策。
• 随机CSP的解有效，当且仅当满足所有约束的概率超过阈值θ，从而可排除罕见的不可行世界。
• 该模型可扩展以包含决策变量与随机变量上的成本函数，实现对期望成本的优化（如库存持有成本）。
• 该方法支持与其他基于约束的扩展集成，如概率约束与部分约束满足。
• 本文通过多季度生产计划问题展示了框架的适用性，表明可计算出最优策略以平衡需求满足与成本。