[论文解读] SUNNY: a Lazy Portfolio Approach for Constraint Solving

Roberto Amadini, Maurizio Gabbrielli+1 more|SPIRE - Sciences Po Institutional REpository|Nov 14, 2013

Logic, Reasoning, and Knowledge被引用 7

一句话总结

SUNNY 提出了一种针对约束满足问题（CSPs）的懒惰组合求解器方法，利用 k-最近邻（k-NN）算法根据实例相似性选择求解器，而无需离线学习。它通过优先调度在最近邻集合中能解决最多实例的求解器来实现动态求解器调度，其性能在模拟环境和实际应用中均优于最先进的组合求解器（如 CPHydra、3S 和 SATzilla），相关实现由 sunny-csp 求解器提供。

ABSTRACT

*** To appear in Theory and Practice of Logic Programming (TPLP) *** Within the context of constraint solving, a portfolio approach allows one to exploit the synergy between different solvers in order to create a globally better solver. In this paper we present SUNNY: a simple and flexible algorithm that takes advantage of a portfolio of constraint solvers in order to compute --- without learning an explicit model --- a schedule of them for solving a given Constraint Satisfaction Problem (CSP). Motivated by the performance reached by SUNNY vs. different simulations of other state of the art approaches, we developed sunny-csp, an effective portfolio solver that exploits the underlying SUNNY algorithm in order to solve a given CSP. Empirical tests conducted on exhaustive benchmarks of MiniZinc models show that the actual performance of SUNNY conforms to the predictions. This is encouraging both for improving the power of CSP portfolio solvers and for trying to export them to fields such as Answer Set Programming and Constraint Logic Programming.

研究动机与目标

• 通过在约束求解中实现实用、轻量级的组合求解器应用，弥合 SAT 与 CSP 组合求解器之间的差距。
• 解决现有组合求解器因需要复杂且计算成本高昂的离线训练阶段而带来的局限性。
• 开发一种灵活、可增量扩展且可部署的组合求解器，适用于竞赛环境之外的实际应用场景。
• 评估一种懒惰的、基于相似性的求解器选择机制在 CSP 求解中的有效性。
• 将组合求解器的适用范围扩展至新兴领域，如答案集编程（Answer Set Programming）和约束逻辑编程（Constraint Logic Programming）。

提出的方法

• SUNNY 使用 k-最近邻（k-NN）算法，从训练集中识别出与新出现的、未见过的 CSP 实例最相似的 k 个实例。
• 基于能解决 k-NN 邻域中最多实例的最小求解器集合，构建一个子组合求解器。
• 求解器的时间分配与其在邻域中成功解决的实例数量成正比。
• 该方法通过仅依赖实例相似性和历史求解器性能，避免了显式的模型学习。
• 该方法在 sunny-csp 中实现，这是一个兼容 MiniZinc 的组合求解器，包含 11 个子求解器。
• 该框架设计为可扩展至并行组合求解器，并可适配至其他领域，如 ASP 和 CLP。

实验结果

研究问题

• RQ1 在无需离线模型训练的前提下，一种懒惰的、基于相似性的组合求解方法是否能在 CSP 求解中超越最先进的组合求解器？
• RQ2 基于 k-NN 的求解器选择在预测新 CSP 实例的最佳求解器方面有多高效？
• RQ3 SUNNY 算法在多样化的 MiniZinc 基准测试中，其可扩展性和泛化能力如何？
• RQ4 基于 SUNNY 构建的组合求解器在实际应用中是否能超越其各个子求解器的性能？
• RQ5 与非懒惰的、基于学习的组合求解方法相比，SUNNY 方法在性能和实际可部署性方面表现如何？

主要发现

• SUNNY 在基于模拟的性能比较中，全面超越了所有评估的最先进组合求解器，包括 CPHydra、3S 和 SATzilla。
• 实际实现的 sunny-csp 在全面的 MiniZinc 基准测试中，显著优于其 11 个子求解器中的每一个。
• 实证结果证实，sunny-csp 的性能与 SUNNY 模拟中预测的行为高度一致。
• 由于其简洁性及无训练开销，该方法在非竞赛性实际应用场景中展现出强大的部署潜力。
• 该方法可适配至其他领域，如答案集编程（ASP）和约束逻辑编程（CLP），并在优化问题上取得了有前景的初步结果。
• 该框架支持未来扩展，包括在线学习、动态知识库更新以及并行组合求解执行。