An Increasing-Nogoods Global Constraint for Symmetry Breaking During Search 翻译（二）

因此，我们从开始检查剩余nogoods的LHS。 为了将剩余的increasing nogoods 的简化版本转换为简化形式，使用两个指针和来索引具有以下条件的3个列表。

---

指针用于根据条件（ii）找到由生成的最短nogood。 如果生成了新的nogood，则使用来检查是否存在可以根据定理7生成的额外nogood并找到最后生成的nogood。如果可以生成额外的nogoods，则设置为。 最初，被设置为最大的索引，使得，其中关键概念是，它是仍然在中的所有值Nj的集合，使得是在i处编码的nogood之前或当前出现的RHS不等式。注意指向下面的二者之一：

(a) 中的一个等式，其中在和的情况下，即是LHS是为假的最低的nogood。所有nogoods（）被满足。我们只需要强制执行。不会产生新的nogoods，这种increasing nogoods是简化形式。 我们说满足条件（a）;

(b) 在中的不等式，其中，在的情况下，即有是最低的nogood，使得域中的所有值都出现在所有的中。现在生成新的nogood 并且是最短的。 形成了increasing nogoods 。我们说满足条件（b）。

---

如果满足条件(b)，第一个简化步骤启动，因为新的nogood ng产生。指针以这样的方式设置：对于的所有等式其中，满足覆盖条件。指针被放置到最小索引处，使得注意指向的不等式，其中是简化形式的increasing nogoods的最高nogood（eg. 对于（4）中的nogoods和P6的值域，ng'是ng5，）如果取走一个值，则可以生成新的nogoods并将设置为。 否则，我们不需要更新。 现在仍然满足条件（b）。

---

根据上述更新后，我们发现了简化形式的increasing nogoods。 如果仍然满足条件（b），即已生成新的nogoods，我们需要检查是否可以根据定理8修剪值。

考虑第4页上的变量域和（4）中给出的nogoods。如果incNGs（I，E，N）（X）有m表示3个列表的大小，我们按以下方式进行传播。

【终于有个例子了，想哭QAQ，例子是重点】

{1，2}，且D(x4)=D(x5)={1}

传播结束后，D(x1) = {1},D(x2) = {2},D(x3) = {1,2}, D(x4) =D (x5) = {1}, D(x6) = {1,2}。个体nogoods的GAC只能从D（x1）修剪值2。 我们的过滤同时会将1从D(x2)中移除。 找到β和γ的步骤可以同时进行。 我们只需要检查β是否应该设置为γ。

假设P= (X, D, C)是一个CSP，其中X的大小是n。我们给出了incNGs（I，E，N）（X）的滤波算法如下。 目前，请忽略框架框中高亮的代码，这些代码是为算法的增量版本保留的。

算法1是滤波算法的最顶层。 每当修改X中的可变域或者扩展I，E和N时，就调用该算法。指针α初始化为0，β初始化为3个列表的大小，γ设置为⊥。 整数变量p告诉β为什么更新的原因，即β满足哪种条件。如果3个列表为空（第1-3行），则约束将自动为ENTAILED，这意味着可以处理约束。 第4行调用函数UpdateAlpha（）来更新指针α。 第5行调用函数UpdateBeta（）根据最短nogood规则和定理7更新指针β。第6-13行检查α=β是否为β。 如果为真，并且由于条件（a）而更新β，则该约束是ENTAILED，因为将来修剪只能在α和β-1之间进行。如果两个指针相等并且由于条件（b）而更新β，则该约束是FAILED的，因为在α（=β）处的n的LHS是可满足的，但是这个nogood的LHS的否定是一个nogood。 因此，当前节点应该failed。 第14-16行调用函数CheckE（）来检查最后生成的nogood是否满足定理8中的条件。

在下文中，Prune（v，x）修剪来自D（x）的v值。 当x.assigned（v）检查x是否赋值v时，x.in（v）检查是否v∈D（x），x.size（）是是否返回 |D(x)|。 我们假设最后三个函数具有恒定的时间复杂度。

Algorithm 2 更新。它从索引i = 0开始扫描，并且仅当未被赋予非值Ei（第6-8行）时停止，在这种情况下a被设置为i（第12行）。 在扫描期间，如果Ei = ，由于此时nogood的LHS为真，Ni可以从修剪（第3-4行）。

（不只是更新β，同时也更新了γ）

算法3更新β。 当β≥α时，扫描从α开始。 我们使用数组S []，S [i]记录在扫描nogoods的RHS中的不等式中的每个变量xi期间遇到的值的数量。 S [i]不计算已经从xi（第23-25行）的域修剪的值。第7-16行更新γ。如果覆盖条件不满意，则第8和9行将γ重置为γ。 如果γ是⊥，则线11-13将γ设置为i，并且满足覆盖条件。 第17-21行检查是否由于条件（a）而停止扫描，并在更新第33-39行中的β之前设置更新β的原因p。第26-29行检查是否由于条件（b）而停止扫描，并在更新第33-39行中的β之前设置更新β的原因p。 如果由于条件（b）而停止扫描并且γ是非⊥值（34行），则β被设置为γ（35行）。 否则，β被设置为被中断的i。

如果由于条件（b）而更新β，则调用算法4。 第2-7行首先检查E中是否存在从α+ 1到β-1的非⊥值。 如果是（第12行），则必须在最后生成的nogood的LHS中，它不满足定理8中的条件。该约束是一致的意味着域过滤完成。 现在α和β之间的nogoods由简化形式的increasing nogoods组成。如果不是（第8-11行），则值Eα从其对应的变量域中被修剪，因为是increasing nogoods中简化形式的唯一nogood。 现在这个约束是ENTAILED，因为β=α。

我们还没有对算法1的一致性水平进行精确描述，但它在单个nogoods上比GAC更强，并且具有多项式时间复杂度。

Theorem 9. 算法1终止并强制执行incNGs（I，E，N）（X）的一致性，该一致性在每个单独的nogood上严格地强于GAC。

Theorem 10. 算法1在O（db | X |）的复杂度内运行约束incNGs（I，E，N）（X），其中d是最大域大小，b是从可变域修剪值的成本。

6 Incremental Filtering Algorithm 增量滤波算法

虽然是多项式，但算法1在全局约束的每次调用期间从头开始执行是昂贵的（a）在类似AC3的算法内的约束传播和（b）在搜索期间添加新的增加的nogoods（在搜索期间前进到子节点并在递归方法中传播期间生成额外的nogoods）。 我们可以使用以下定理使算法1扩展。

Theorem 11. 对于全局约束incNGs（I，E，N）（X），每当在类似AC3的约束滤波算法期间调用算法1时，两个指针α和β可以从最后一次调用中继承。

Theorem 12. 假设I，E和N是由increasing nogoods 构成的。 进一步假设I'，E'和N'是由增加的nogoods 构成的。在使用算法1对incNG(I, E, N)(X)进行域滤波之后，用于强制执行incNG(I', E', N')(X)的两个指针α'和β'可以分别初始化为α和β的值。

增量滤波算法可以通过添加标记为的突出显示的算法并将代码替换为右边的标记来获得。 注意，在算法1的开始，α，β，γ和p的初始化仅针对根节点。 在后续节点中，这四个节点从最新传播之后的一个节点初始化，或者在其域过滤之后从先前全局约束节点初始化。

8 Conclusion and Future Work

我们的贡献是五个。 首先，基于increasing nogoods的特殊语义和结构，我们提出了一个具有相同含义但修剪能力更强的全局约束。 其次，我们证明了SBDS及其变体添加的nogoods是increasing的，因此这些方法可以适应全局约束。 第三，从全局约束中受益，我们设计了一个较小版本的ReSBDS，具有较小的空间和时间开销。第四，我们为increasing nogoods约束提供了一个多项式时间的滤波算法，该算法也有一个有效且简单的增量版本。 第五，广泛的实验证实了我们提案的效率。

ReSBDS的优势在于，只需要很少的给定子集就可以打破大量的对称性。increasing nogoods全局约束显着减少了SBDS及其变体的开销，使得处理更大的给定对称集合成为可能，这反过来可以修剪更多的搜索空间。

Nogood学习是改进回溯搜索的一般技术[2]。 我们设想除了对称性破坏之外，increasing nogoods约束适用于CP中的其他场景。