Problèmes de satisfaction de

contraintes

1
 Plan
• Description des CSP
• L’exploration avec backtracking
• La méthode du Forward checking
• Cohérence des arcs
• Gestion de contraintes spécifiques
• Recherche locale
• Utiliser la structure des problèmes

2
 Problèmes de satisfaction de contraintes
• Définit par :
– Un ensemble de variables : X1, X2, …, Xn
– Un ensemble de contraintes : C1, C2, …, Cm
• Chaque variable Xi a un domaine non vide de valeurs
possibles.
• Un état est une affectation de valeurs pour quelques unes
ou toutes les variables.
• Affectation consistante : aucune violation de contraintes.
• Affectation complète : toutes les variables ont une valeur.
• Solution: Affectation complète et consistante.
• Si solution optimale, il convient d’ajouter une fonction
objective 3
 Exemple: coloration de carte
 Variables: WA, NT, SA, Q,
NSW, V, T
 Domaines: Di = {rouge, vert,
bleu}
 Contraintes : Les régions
adjacentes doivent avoir des
couleurs différentes.
 WA ≠ NT
 ou, (WA, NT) ε {(rouge, vert),
(rouge, bleu), etc.}

4
 Exemple: coloration de carte
 Solution: Une affectation
qui satisfait toutes les
contraintes :
 {WA = rouge, NT = vert,
SA = bleu, Q = rouge,
NSW = vert, V = rouge,
T = vert}
en est une solution

5
 Types de CSP
• Variables discrètes
– Domaines finis; nombre de variables n et taille max du
domaine de n’importe quelle variable est d; alors O(dn)
affectations complètes.
• CSP booléens
– Domaines infinis (entiers, chaînes de caractères, etc.)
• Ex: Ordonnancement de tâches; les variables sont les
jours de début et de fin des tâches.
• Demande un langage de contraintes, ex. débutTâche1 +
5 < débutTâche3
• Contraintes linéaires: résolvable;
• contraintes non linéaires: non décidable (problème de
décision pour lequel il est impossible de construire un
algo qui répond par oui/non)
6
 Types de CSP
• Variables continues
– Ex: temps de début et de fin de chacune des
observations du télescope Hubble sont des variables à
valeurs continues soumises à un grand nombre de
contraintes
– Cas particulier des contraintes linéaires: les
contraintes doivent êtres des égalités ou des inégalités
linéaires formant une région convexe. Ça forme un
programme linéaire résolvable en un temps
polynomial par rapport au nombre de variables.

7
 Types de contraintes
• Unaire : Les contraintes ne concernent qu’une
variable.
– Ex: SA ≠ vert
• Binaire : Les contraintes concernent deux variables.
– Ex: SA ≠ WA
• Ordre plus élevé : Les contraintes concernent 3
variables ou plus.
– Ex: cryptarithmétique
• Contraintes de préférence
– Ex: rouge est mieux que vert
– Souvent représenté par un coût pour chaque affectation
de variable
– Problèmes d’optimisation de contraintes

8
 CSP binaire
 CSP où toutes les contraintes
sont reliées à deux variables.
 Peuvent être représentés
sous forme de graphe.
 Certains algorithmes
généraux de résolution de
CSP utilisent la structure de
graphe pour accélérer la
recherche.
 Ex: Tasmania est un sous
problème indépendant.

9
 Cryptarithmétique
 Variables: F, T, U, W, R, O, X1, X2, X3
 Domaines: {0, 1, 2, 3, 4, 5, 6, 7, 8, 9}
 Contraintes: X1, X2, X3 sont les retenues
 Différentes (F, T, U, W, R, O) AllDiff
 O + O = R + 10 * X1
 X1 + W + W = U + 10 * X2
 X2 + T + T = O + 10 * X3 AllDiff
 X3 = F
All

10
 Cryptarithmétique

S E N D
9 5 6 7
+ M O R E
1 0 8 5
----------------------
= M O N E Y
1 0 6 5 2

11
 Applications des CSP
• Problèmes d’assignation
– Ex: Qui enseigne quel cours?
• Problèmes d’horaire
– Ex: Quelle classe est offerte, quand et où?
• Planification pour le transport
• Planification à l’intérieur d’une usine

12
 Formulation de recherche standard
• États: les valeurs assignées jusqu’à maintenant
• État initial: l’affectation vide {}
• Fonction successeurs: Affecter une valeur à une
variable non affectée qui ne crée pas de conflit
• Test de but: l’affectation est complète
• Commentaires:
– Même formulation pour tous les CSP
– Toutes les solutions à n variables apparaissent à la
profondeur n.
• Profondeur d’abord (cette recherche profite de l’avantage
de la commutativité en CSP)
– Le chemin n’est pas important, donc on peut aussi
utiliser des algorithmes itératifs.

13
 Recherche à retour arrière
• L’assignation des variables est commutative
– Ex: [WA = rouge suivi de NT = vert] est la même chose que [NT =
vert suivi de WA = rouge]
• À chaque nœud, on a seulement besoin de considérer
l’affectation d’une seule variable.
• La recherche en profondeur d’abord pour les CSP avec
l’assignation d’une seule variable à chaque tour est appelée
exploration avec backtracking.
• Le retour arrière s’effectue lorsqu’il n’y a plus d’affectations
possibles (on retourne à la variable précédente et on essaye
une autre valeur).

14
Exemple retour arrière

15
 Améliorer l’efficacité de la recherche par
retour arrière
• Quelle variable devrait être assignée et dans
quel ordre ses valeurs devraient être essayées ?
• Quelles sont les implications des affectations
de la variable courante sur les autres variables
non affectées ?
• Lorsqu’un chemin échoue, est-ce que la
recherche pourrait éviter cet échec dans les
chemins suivants ?
16
 Ordre des variables et des valeurs
• Choix des variables :
– Heuristique du nombre de valeurs restantes
minimum (minimum remaining values (MRV)).
• Choisir la variable avec le moins de valeurs restantes
possibles.
– Heuristique du degré
• Choisir la variable présente dans le plus de
contraintes.

17
 Ordre des valeurs (2)
• MRV fait en sorte que l’algorithme échoue
plus rapidement, donc il réduit l’arbre de
recherche en éliminant rapidement des
chemins de recherche.
• Heuristique du degré: réduit le facteur de
branchement.

18
 Ordre des variables et des valeurs
• Choix des valeurs :
– Heuristique des valeurs les moins
contraignantes (least-constraining-value)
• Choisir la valeur qui va enlever le moins de
choix pour les variables voisines.

19
Forward Checking (ou vérification avant)
• Maintient en tout temps, toutes les valeurs possibles
pour chacune des variables (MRV pour les variables).

20
 Forward Checking
• Le « forward checking » ne permet pas de
détecter tous les problèmes.

NT et SA ne peuvent pas tous les deux être bleus!

La propagation de contraintes renforce rapidement
les contraintes locales.
21
 Cohérence des arcs
• Un arc entre X et Y est cohérent si pour toutes les
valeurs x de X, il y a au moins une valeur possible
y de Y.

22
 Cohérence des arcs
• Un arc entre X et Y est cohérent si pour toutes les
valeurs x de X, il y a au moins une valeur possible
y de Y.

23
 Cohérence des arcs
• Un arc entre X et Y est cohérent si pour toutes les
valeurs x de X, il y a au moins une valeur possible
y de Y.

Si X perd une valeur, les voisins de X doivent être

revérifiés
24
 Cohérence des arcs
• Un arc entre X et Y est cohérent si pour toutes les
valeurs x de X, il y a au moins une valeur possible
y de Y.

25
 Cohérence des arcs

Détecte les erreurs plus vite que le « forward

checking »
Peut être exécuté comme un pré-processus
ou après chaque assignation.

26
 Gestion de contraintes spécifiques
• Certains types de contraintes sont assez
spécifiques; cela survient souvent dans les
problèmes réels
– On peut donc utiliser des algorithmes spécifiques
à ces types de contraintes qui sont plus
performant que les algorithmes généraux.

27
 Gestion de contraintes spécifiques
• Contrainte toutes différentes (AllDiff)
– Toutes les variables doivent avoir des valeurs distinctes.
– S’il y a m variables, n valeurs possibles et m > n, alors les
contraintes ne peuvent pas être satisfaites.
– Algorithme:
• Enlever toutes les variables qui n’ont qu’une valeur dans leur domaine
et enlever cette valeur de toutes les autres variables restantes.
• Continuer tant qu’il y a des variables avec un domaine contenant
qu’une seule valeur.
• Si un domaine vide est produit, ou qu’il y a plus de variables que de
valeurs disponibles, alors une incohérence a été détectée.
28
 Gestion de contraintes spécifiques
• Contrainte sur les ressources
– Limite sur le nombre de ressources. Par exemple:
• Il y a un maximum de 10 personnes pour effectuer 4
tâches.
• Si le domaine de chacune des tâches est {3, 4, 5, 6},
alors les contraintes ne pourront pas être satisfaites.
• On peut aussi réduire les domaines de valeurs. Par
exemple, si le domaine des tâches est {2, 3, 4, 5, 6},
alors les valeurs 5 et 6 peuvent être enlevées des
domaines.
29
 Recherche locale pour les CSP
• Fonctionnement:
– On commence en assignant une valeur à chacune
des variables.
– Ensuite, la fonction de successeurs change la
valeur d’une variable à la fois.
• Heuristique « min-conflicts »
– Choisir la valeur qui donne le moins de conflits
• Utile pour les problèmes « online ».
30
 Recherche locale pour les CSP
• Exemple min-conflicts: problème des 8-reines

Avec min-conflicts, peut résoudre 1 millions de reines en 50

étapes, en moyenne.
Pour le télescope Hubble, le temps de la planification d’une
semaine est passé de trois semaines à 10 minutes en
utilisant min-conflicts!
31
 La structure des problèmes
• Utiliser la structure du graphe des contraintes pour
trouver des solutions rapidement.
• Les composantes connexes sont des sous-problèmes
indépendants.
– On résout les sous-problèmes indépendamment
– Supposons que chaque sous-problème contient c
variables sur un total de n, alors le coût de la solution en
pire cas est de n/c x dc. (linéaire en n)
Si n = 80, d = 2 et c = 20
(CSP au complet dn ) = d80 = 4 milliards d’années à 10
millions de nœuds/sec
4 x 220 = 0,4 secondes à 10 millions de nœuds/sec 32
 La structure des problèmes: structure
d’arbre
• Si l’arbre ne contient pas de cycle, alors le CSP peut
être résolut en O(nd2):
• tri topologique
– Choisir un nœud comme racine et ordonner les autres nœuds
de manière à ce que le parent précède toujours.
– Pour j de n à 2, EnleverIncohérence(Parent(Xj), Xj)
– Pour j de 1 à n, affecter une valeur à Xj consistante avec
Parent(Xj).

33
 La structure des problèmes
• Si la structure est proche d’un arbre, on peut
fixer la valeur de certains nœuds pour obtenir
une structure d’arbre.

34
 La structure des problèmes
 Décomposition en un arbre
de sous problèmes
 Chaque variable du problème
original doit être dans au moins
un sous problème
 Chaque contrainte doit être
dans au moins un sous
problème
 Si une variable apparaît dans 2
sous-problèmes, elle doit
apparaître dans tous les sous-
problèmes situés sur le chemin
reliant ces sous-problèmes
O(ndy) où y est la grandeur
du plus grand sous problème
35