人工智能学习（五）：约束满足问题（上）

原创

已于 2022-05-28 17:12:19 修改 · 5.5k 阅读

标签

#人工智能

于 2022-04-25 00:57:10 首次发布

本文介绍了约束满足问题（CSP）的概念，通过地图着色和作业调度问题实例展示其定义与形式化。重点讲解了约束传播的原理，包括节点相容和弧相容，并介绍了AC-3算法的应用。CSP在优化问题中的优势以及处理连续值域和偏好约束的方法也被提及。

引言

本篇要讨论的是如何更有效地求解更多种类的问题。使用成分表示来描述状态：即一组变量，每个变量有自己的值。当每个变量都有自己的赋值同时满足所有关于变量的约束时，问题就得到了解决。这类问题称为约束满足问题，简称CSP。

CSP搜索算法利用了状态结构的优势，使用的是通用策略而不是问题专用启发式来求解复杂问题。主要思想是通过识别违反约束的变量/值的组合迅速消除大规模的搜索空间。

6.1 定义约束满足问题

约束满足问题包含三个成分 $X$ 、 $D$ 和 $C$ ：

$X$	变量集合 $\left \{ x_{1},.., x_{n} \right \}$
$D$	值域集合 $\left \{ D_{1},.., D_{n} \right \}$ ，每个变量有自己的值域，值域 $D_{i}$ 是由变量 $X_{i}$ 的可能取值 $\left \{ v_{1},.., v_{n} \right \}$ 组成的集合
$C$	描述变量取值的约束集合，每个约束 $C_{i}$ 是有序对 $< scope,rel>$ ，其中 $scope$ 是约束中的变量组， $rel$ 则定义了这些变量取值应满足的关系

关系可以显式地列出所有关系元组，也可以是支持如下两个操作的抽象关系：测试一个元组是否为一个关系的成员和枚举所有关系成员。

例如，如果 $X_{1}$ 、 $X_{2}$ 的值域均为 $\left \{ A,B \right \}$ ，约束是二者不能取相同值，关系可如下描述: $<(X_{1}, X_{2}), [(A, B), (B, A)]>$ 或 $<(X_{1}, X_{2}), X_{1}\neq X_{2}>$ 。

为求解CSP,需要定义状态空间和解的概念。问题的状态由对部分或全部变量的一个赋值来定义， $\left \{ X_{i}=v_{i},X_{j}=v_{j}, ... \right \}$ 。一个不违反任何约束条件的赋值称作相容的或者合法的赋值。完整赋值是指每个变量都已赋值，而CSP的解是相容的、完整的赋值。部分赋值是指只有部分变量赋值。