[人工智能导论学习笔记] CSP

1. 简介

Constraint Satisfaction Problems – 约束满足问题。即是在满足所有变量的约束条件下，达到目标结果。

2. 回溯搜索 – Backtracking search

基础的无信息搜索算法，原理是每次为一变量选择一个赋值，当没有合法的值可以赋给某变量时就回溯到上一个阶段，继续选择domain中可用的值；如果domain为空则继续回溯，如此往复直到最终满足目标。
缺点: 不断回溯试错，效率不高，可以通过以下方法（预先剔除错误结果集等）提升效率

3. 三个方向提升搜索效率

3.1 Ordering

3.1.1 Minimum remaining values (MRV) – 最少剩余值

• 思想：选择对应的域中合法值最少的变量 ，减少搜索空间，提升效率
• 开始时遍历所有的变量找出合法值最小的那一个，然后赋值，如果在某一步中出现变量合法值为空时，就回溯到上一个阶段重新赋值合法值…
• 可能导致局部最优的情况发生；所以往往配合LCV使用

3.1.2 Least Constraining Value (LCV) – 最少约束值

• 思想：在每一次选择一个变量进行赋值时，优先选择对其他变量产生最少约束的取值，减少搜索空间，提升效率
• 由于选择对其他变量产生约束最少的解，所以可以大大减少回溯次数！！但是任然会有局部最优的情况
  
  

3.2 Filtering

3.2.1 forward checking – 前向检查

在匹配的过程中，判断剩余变量的合法值范围，如果发现某一个变量的合法值范围为零时，应该立即回溯
配合约束传播，如图中显示的NT、SA在迭代的过程中发现不能颜色相同，即应立即回溯

3.2.2 Arc Consistency – 弧相容

比前向搜索更快的检查到错误方案

• 弧相容算法的基本思想：
  通过在变量之间建立相互约束关系，在迭代中剔除相互冲突的约束条件，直到所有变量之间的约束满足为止。
  如下图，我们可以建立NT与SA的约束关系，发现当 NT - blue 时，SA删除蓝色解（注意在尾巴删除），导致其解集为空，即检测到错误
  
• 缺点：
  任然在回溯搜素之内，而且弧相容算法的结果可能有0、1、…个解
  
  

结合上面知识，可以通过MRV先确定选择的变量，再通过LCV确定该变量的可行域中应该选择哪一个解；同时结合前向检查、弧相容等提前剔除失败路径，达到整体提升效率的目的

3.3 Structure

Tree structure 大大降低原来结构的时间复杂度 O(d^N) 到 O(nd^2)
简单来说 Tree-Structured CSPs 把无向无环图中任意挑选一个节点作为根节点，剩余节点从左到右构成拓扑结构，如下例子模拟过程：

• 以A作为根节点，根据原图节点顺序从左到右连接各个节点形成有向无环图的线性化

• Remove backward – 向后移除，即从第n个节点到第2个节点，Parent(i) -> i 两两经行弧相容算法剔除可行域中冲突的部分，最终结果如下
  任意两个节点之间都不会存在颜色冲突的情况（无回溯）

• Assign forward – 前向赋值，即按照箭头顺序从最左边开始一一赋值，最终获得正确的结果集
  
  

由于在实际应用中往往并不是无环图，所以引入割集的概念将一般的树推广

割集简单来说就是找到一个图中受约束变量的最小子集，只要删去这一子集就能得到一棵树（无环）
如下图例子中找到最小的割集，不难看出A、B组成最小割集使得其变成无环图

一旦找到了最小割集，就可以将变量逐一都分配进去并删去附近所有节点的域（可能存在回溯）。剩下的就是我们熟悉的树形结构CSP

4. 本地搜索 – Local search

另一个也经常用的解决约束满足问题算法。

• 思想：
  min-conflicts heuristic 最小冲突启发式策略，即每次选择一个跟其他变量相关性约束最强的变量来赋值，将其转变为相关性约束最弱的变量

举个例子吧，在四皇后问题中，要将四个皇后相互分开互不攻击，可以先将平行四边形左上的皇后移动上一格（相关性约束为3 最大）变成与其他三个皇后无约束… 以此类推只需两步达成目标

• 优点：除了任意n的n皇后问题，本地搜索对任意生成的CSP的运行时间几乎是常数
• 缺点：非备完备性和非最优性，不一定有最优解。而且在如下的极端范围内，所需要的时间空间消耗大大提升