Soft Concurrent Constraint Programming
软约束扩展了经典约束,以表示多个一致性水平,从而提供了一种表达偏好,模糊性和不确定性的方法。虽然有许多软约束解决形式主义,甚至分布式的,到目前为止,似乎没有并发编程框架,软约束可以处理。在本文中,我们将展示如何经典的并发约束(CC)编程框架可以与软约束,我们还提出了一个扩展的CC语言,可以使用软约束修剪和直接搜索的解决方案。我们相信这种新的编程范例,称为软cc(scc),在许多与web相关的场景中也非常有用。事实上,语言级别允许Web代理表达他们的交互和协商协议,并根据偏好发布他们的请求,并且底层软约束求解器可以在代理之间找到协议,即使他们的请求不兼容。
2002-08-06 cs.AI cs.PL
Hybrid tractability of soft constraint problems
IRIT, University of Toulouse III(图卢兹第三大学IRIT研究所);Oxford University(牛津大学)
约束满足问题(CSP)是计算机科学和人工智能中的一个核心问题:它为许多理论问题和许多实际应用提供了一个通用的框架。软约束问题是CSP的一种概括,它允许用户对优化问题进行建模。在确定确保此类问题的易处理性的性质方面已作出了相当大的努力。在这项工作中,我们开始研究软约束问题的混合易处理性,即,属性,保证给定的软约束问题的易处理性,但不依赖于底层结构的实例(如树结构)或仅在软约束的类型的实例(如子模块)。我们提出了几种新的混合类的软约束问题,其中包括机器调度问题,约束问题的任意arities没有重叠的nowgoods,和SoftAllDiff约束与任意一元软约束。我们研究中的一个重要工具是禁止子结构的概念。
2010-08-24 cs.AI cs.DS
Unsatisfiable Cores and Lower Bounding for Constraint Programming
National ICT Australia(澳大利亚国家信息与通信技术研究院);University of Melbourne(墨尔本大学)
约束编程(CP)求解器通常通过反复寻找问题的解决方案来解决优化问题,同时对解决方案的成本设置越来越严格的界限。这种方法有些幼稚,特别是对于软约束优化问题,其中软约束大多得到满足。在SAT中解决软约束问题的不可满足核方法(例如MAXSAT)强制所有软约束最初都是硬约束。当求解失败时,它们返回一个不可满足的核心,作为一组不能同时保持的软约束。这些将恢复为软,求解将继续。由于惰性子句生成求解器也可以返回不可满足的核心,我们可以将这种方法应用于约束编程。我们适应原来的MAXSAT不可满足的核心求解方法,可用于约束编程和定义了一些扩展。实验结果表明,我们的方法是有益的CP优化基准涉及软约束,基数或偏好的广泛类。
2015-08-25 cs.AI cs.LO
Unsatisfiable Cores for Constraint Programming
National ICT Australia(澳大利亚国家信息与通信技术研究院);University of Melbourne(墨尔本大学)
约束编程(CP)求解器通常通过反复寻找问题的解决方案来解决优化问题,同时对解决方案的成本设置越来越严格的界限。这种方法有些幼稚,特别是对于软约束优化问题,其中软约束大多得到满足。在布尔可满足性中解决软约束问题的不可满足核方法(例如MAXSAT)强制所有软约束保持初始状态。当求解失败时,它们返回一个不可满足的核心,作为一组不能同时保持的软约束。使用该信息,问题被放松以允许违反某些软约束,并且求解继续。由于懒惰子句生成(LCG)求解器也可以返回不可满足的核心,我们可以将MAXSAT不可满足的核心方法应用于CP。我们实现了原来的MAXSAT不可满足的核心求解算法WPM1,MSU3在一个国家的最先进的LCG求解器,并表明存在的问题,受益于这种混合的方法。
2013-05-08 cs.AI cs.LO
Arc consistency for soft constraints
弧一致性的概念在约束满足中起着核心作用。众所周知,局部一致性的概念可以扩展到基于幂等成本组合算子的软约束框架所定义的约束优化问题。这排除了非幂等算子,如+,它定义了在实际应用中非常重要的问题,如Max-CSP,其目的是最小化违反约束的数量。在本文中,我们表明,使用一个弱的附加公理满足大多数现有的软约束的建议,它可以定义一个概念的软弧一致性,扩展了经典的概念的弧一致性,这即使在非幂等成本组合算子的情况下。一个多项式时间的算法来执行这种软弧一致性存在和它的空间和时间复杂度是相同的强制弧一致性在CSP的成本组合算子是严格单调的(例如Max-CSP)。弧一致性的定向版本可能甚至比非定向版本更强,因为它允许惩罚的非局部传播。我们证明了效用的方向弧一致性,它不仅解决了软约束问题的树,但它也意味着一种形式的局部最优,我们称之为弧不可约。
2001-11-30 cs.AI cs.CC cs.DS
3D Software Synthesis Driven by Constraint-Expressive Intermediate Representation
The Chinese University of Hong Kong(香港中文大学);Renmin University of China(中国人民大学)
Scenethesis通过约束表达式中间表示实现3D软件合成,有效捕捉用户需求并满足复杂约束。
2026-10-01 cs.AI cs.CV cs.MM
Quantile Constrained Reinforcement Learning: A Reinforcement Learning Framework Constraining Outage Probability
KAIST(韩国科学技术院)
约束强化学习(Reinforcement Learning,RL)是强化学习的一个分支,其目标是在满足给定约束的前提下,找到一个最大化期望累积收益的最优策略。以往的约束强化学习算法大多将期望累积和成本作为约束条件。然而,具有该约束的优化不能保证累积和成本超过给定阈值的中断事件的目标概率。本文提出了一个框架,名为分位数约束RL(QCRL),限制的分位数的分布的累积和成本,这是一个必要和充分条件,以满足中断约束。这是第一个工作,解决的问题,适用于分位数的策略梯度定理,并提供了近似梯度的分位数的理论结果。在此基础上,利用拉格朗日乘子技术,构造了一种分位数约束策略优化算法(QCPO)。我们使用分布强化学习与大偏差原则(LDP)估计分位数和尾部概率的累积和成本的实施QCPO。所实现的算法在训练期后满足中断概率约束。
2022-11-28 cs.AI cs.LG
Solving Parallel Machine Scheduling With Precedences and Cumulative Resource Constraints With Calendars
Databases and Artificial Intelligence Group (DBAI), TU Wien(数据库与人工智能组(DBAI),维也纳技术大学);MCP GmbH(MCP公司)
本文提出了一种新的并行机器调度方法,结合作业优先级和基于日历的资源约束,利用约束建模和元启发式算法解决实际工业中的调度问题。
2025-12-05 cs.AI math.OC
Cumulative Utility Parity for Fair Federated Learning under Intermittent Client Participation
Department of Computer Science and Technology, University of Cambridge, Cambridge, United Kingdom(计算机科学与技术系,剑桥大学,剑桥,英国)
本文提出累积效用公平性,通过评估客户端长期收益来提升联邦学习中的公平性,实验显示其在保持性能的同时改善了长期表示公平性。
2026-02-14 cs.AI cs.LG
Safe Reinforcement Learning in Constrained Markov Decision Processes
IBM Research AI(IBM研究院);Tsinghua University(清华大学)
安全强化学习是一种很有前途的方法,用于优化在安全关键应用中运行的代理的策略。在本文中,我们提出了一种算法,SNO-MDP,探索和优化马尔可夫决策过程未知的安全约束。具体来说,我们采取逐步的方法来优化安全性和累积奖励。在我们的方法中,智能体首先通过扩大安全区域来学习安全约束,然后在已认证的安全区域内优化累积奖励。我们提供了理论保证的安全约束的满意度和近最优的累积奖励下适当的规律性假设。在我们的实验中,我们通过两个实验证明了SNO-MDP的有效性:一个是在一个新的、开放的环境GP-SAFETY-GYM中使用合成数据,另一个是使用真实的观测数据模拟火星表面探测。
2020-08-15 cs.AI cs.LG cs.RO
Reasoning about soft constraints and conditional preferences: complexity results and approximation techniques
Cornell University(康奈尔大学);University of Padova(帕多瓦大学);University College Cork(科克大学学院)
许多现实生活中的优化问题包含硬约束和软约束,以及定性条件偏好。然而,没有一个单一的形式主义来规定所有三种信息。因此,我们提出了一个框架,CP网和软约束的基础上,处理硬和软约束以及条件偏好有效和统一。我们研究了测试偏好语句一致性的复杂性,并展示了软约束如何忠实地近似条件偏好语句的语义,同时提高了计算复杂性
2009-05-22 cs.AI
A Maximal Tractable Class of Soft Constraints
Royal Holloway, University of London(伦敦大学皇家霍洛威学院)
人工智能的许多研究人员开始探索使用软约束来表达一组(可能冲突的)问题需求。软约束是定义在一组变量上的函数,它将一些期望性度量与这些变量的每个可能的值组合相关联。然而,到目前为止,找到软约束集合的最优解的计算复杂性的关键问题很少受到关注。在本文中,我们确定了一类软二元约束的问题,找到最优解是听话的。换句话说,我们表明,对于任何给定的一组这样的约束,存在一个多项式时间的算法来确定具有最佳的整体组合的可取性措施的分配。这个易于处理的类包括许多常见的软约束,如“尽可能接近”或“尽可能快”,以及明确的约束,如“大于”。最后,我们表明,这个听话的类是最大的,在这个意义上说,增加任何其他形式的软二进制约束,这是不是在类中产生的一类问题,这是NP-硬。
2011-06-30 cs.AI
A Rule for Committee Selection with Soft Diversity Constraints
Data61, CSIRO(澳大利亚联邦科学与工业研究组织数据61中心);UNSW(新南威尔士大学)
具有多样性或分布约束的委员会选择是一个普遍存在的问题。然而,迄今为止提出的许多形式化方法具有某些缺点,包括(1)一般计算上难以处理,以及(2)不能针对不能满足硬约束的某些情况提出解决方案。我们提出了一个实用的和多项式时间的算法不同的委员会的选择,利用软界限的想法,并满足自然公理。
2018-03-30 cs.AI
Safe Greenhouse Climate Control Using Lagrangian-Constrained PPO with Kolmogorov-Arnold Networks
Huazhong Agricultural University(华中农业大学);Yunnan Modern Agricultural Industry Research Institute Co., Ltd.(云南现代农业产业研究院有限公司);Jilin University(吉林大学)
提出基于拉格朗日约束的RCPO-PPO与KAN网络,将温室气候控制建模为CMDP,分离经济与安全约束,减少18.65%违规并提升2.91%利润。
2026-09-29 cs.AI
On Global Warming (Softening Global Constraints)
我们描述软版本的全球基数约束和常规约束,有效的过滤算法保持域的一致性。对于这两个约束,软化是通过增强底层图来实现的。软化约束可以用来扩展Petit,Regin和Bessiere提出的过约束问题的元约束框架。
2004-08-09 cs.AI cs.PL
Soft Constraints for Quality Aspects in Service Oriented Architectures
Università di Perugia(佩鲁贾大学);Istituto di Informatica e Telematica (CNR)(国家研究委员会信息与电信研究所);Università “G. d’Annunzio” Chieti-Pescara(基耶蒂-佩斯卡拉“加布里埃尔·邓南遮”大学)
我们建议使用软约束作为一种自然的方式来建模面向服务的体系结构。在该框架中,使用约束来建模组件和连接器,并使用约束聚合来表示它们之间的交互。在对服务提供者执行查询时,会测量和考虑“服务质量”。一些示例包括客户所需的成本、性能和可用性水平。在我们的框架中,QoS分数表示的软水平的约束和复杂(Web)服务的测量计算相结合的组件的水平。
2009-06-22 cs.AI cs.PL
A comparison of the notions of optimality in soft constraints and graphical games
CWI Amsterdam(阿姆斯特丹国家数学与计算机科学研究所);University of Amsterdam(阿姆斯特丹大学);University of Padova(帕多瓦大学)
最优性的概念自然地出现在与决策有关的应用数学和计算机科学的许多领域。在这里,我们认为这一概念的背景下,用于不同目的和不同的研究领域的两个形式主义:图形游戏和软约束。我们涉及的软约束满足问题(SCSP)中使用的图形游戏中使用的最优性的概念,显示了一个大类的SCSP,包括加权约束的每一个最优解对应于一个纳什均衡,这也是一个帕累托有效的联合策略。
2008-10-16 cs.AI cs.GT
Towards Soft Fairness in Restless Multi-Armed Bandits
Singapore Management University(新加坡管理大学)
不安多武装匪徒(RMAB)是一个框架,用于分配不确定性下的有限资源。这是一个非常有用的模式,可用于监测受益人和及时采取干预措施,以确保公共卫生环境中的最大效益(例如,确保病人在结核病环境中服药,确保孕妇收听有关良好怀孕做法的自动电话)。由于资源有限,某些社区或地区通常缺乏可产生后续影响的干预措施。为了避免饥饿在执行的干预措施在个人/地区/社区,我们首先提供了一个软公平约束,然后提供了一种方法来执行软公平约束的RMAB。软公平性约束要求,如果选择后一个手臂的长期累积回报更高,则算法在概率上永远不会偏向于一个手臂。我们的方法采用了基于softmax的值迭代方法在RMAB设置设计选择算法,管理,以满足建议的公平性约束。我们的方法,称为SoftFair,也提供了理论上的性能保证,是渐近最优的。最后,我们证明了我们的方法模拟基准的效用,并表明软公平约束可以处理没有显着牺牲的价值。
2022-07-27 cs.AI cs.CY cs.LG
Step-by-Step Mastery: Enhancing Soft Constraint Following Ability of Large Language Models
Shanghai Key Laboratory of Data Science, College of Computer Science and Artificial Intelligence, Fudan University(上海数据科学 key laboratory,计算机科学与人工智能学院,复旦大学);School of Data Science, Fudan University(数据科学学院,复旦大学);Ant Group(蚂蚁集团)
针对大型语言模型软约束遵循能力不足的问题,提出自动构建数据集流水线,结合DPO与基于约束数量的课程学习范式,有效提升了模型的软约束遵循能力。
2025-05-31 cs.AI cs.CL
SafeSlice: Enabling SLA-Compliant O-RAN Slicing via Safe Deep Reinforcement Learning
University of Calgary(卡尔加里大学);Cairo University(开罗大学)
针对O-RAN中DRL切片策略缺乏SLA安全保证的问题,本文提出SafeSlice,通过风险敏感奖励和监督学习安全层同时满足累积与瞬时时延约束,并在真实VR流量实验中显著降低时延违规和资源消耗。
2025-03-17 cs.AI cs.LG cs.NI