Global Difference Constraint Propagation for Constraint Programming
研究如何构建全局差异约束传播器，核心方法是将差异约束同时处理，主要贡献是能显著改进标准传播方法，还展示了如何在惰性子句生成求解器中使用并解释该传播器。
2026-07-23 cs.AI
Global Constraint Catalog, Volume II, Time-Series Constraints
IMT Atlantique（大西洋国立高等矿业电信学院）；RISE SICS（瑞典计算机科学研究院（RISE旗下））；Uppsala University（乌普萨拉大学）；National University of Singapore（新加坡国立大学）；University College Cork（科克大学）
首先，这份报告提出了一个有限的传感器用于合成结构的时间序列的约束，通过一个多层的功能组合计划。其次，它提供了相应的合成目录的结构时间序列的约束，每个约束明确地描述了自动机与寄存器。
2018-09-18 cs.AI
The AllDifferent Constraint with Precedences
CNRS（法国国家科学研究中心）；LIRMM（蒙彼利埃信息、机器人与微电子实验室）；NICTA（澳大利亚国家信息与通信技术研究院）；University of NSW（新南威尔士大学）；Université Laval（拉瓦尔大学）
我们提出了AllDiffPrecedence，一个新的全局约束，它结合了一个AllDifferent约束与优先约束，严格顺序给定的变量对。我们确定了一些应用程序，这个全球性的约束，包括指令调度和对称破缺。我们给出了一个有效的传播算法，强制边界的一致性，这个全局约束。我们将展示如何实现这个传播器使用的分解，扩展的界限一致性执行分解提出的AllDifferent约束。最后，我们证明了在这个全局约束上执行域一致性一般是NP困难的。
2011-03-19 cs.AI
Decompositions of All Different, Global Cardinality and Related Constraints
LIRMM（LIRMM实验室）；CNRS（法国国家科学研究中心）；NICTA（澳大利亚国家信息与通信技术研究院）；UNSW（新南威尔士大学）；EPM（蒙特利尔工程学院）
我们发现，一些常见的和重要的全局约束，如ALL-DIFFERENT和GCC可以分解成简单的算术约束，我们实现了边界或范围的一致性，在某些情况下，甚至更大的修剪。这些分解可以很容易地添加到新的求解器。它们还通过共享变量来提供对传播器状态的访问的其他约束。这种共享可以用于改善约束之间的传播。我们报告我们的分解在一个伪布尔求解器的实验。
2009-05-22 cs.AI
Flow-Based Propagators for the SEQUENCE and Related Global Constraints
NICTA（国家信息与通信技术研究院）；UNSW（新南威尔士大学）；Ecole Polytechnique de Montreal（蒙特利尔综合理工学院）
我们提出了新的过滤算法的SEQUENCE约束和一些扩展的SEQUENCE约束的基础上网络流。我们在搜索树的一个分支上在$O(n^2)$时间内对SEQUENCE约束强制域一致性。这在现有的最佳域一致性算法的基础上改进了$O(\log n)$。在这些算法中使用的流是从一个线性规划。它们中的一些与用于传播全局约束（如GCC）的流不同，因为变量的域被编码为边缘上的成本而不是容量。这样的流是有效的，保持边界的一致性在大型域，并可能是有用的其他全球性的约束。
2009-09-24 cs.AI
Prefix-Projection Global Constraint for Sequential Pattern Mining
Preparatory school of Oran EPSECG（奥兰预备学校 EPSECG）；University of Oran 1（奥兰第一大学）；University of Caen（卡昂大学）；University PARIS 13（巴黎第十三大学）
约束条件下的序列模式挖掘是一个具有挑战性的数据采掘任务。许多有效的ad hoc方法已经被开发用于挖掘序列模式，但它们都缺乏通用性。最近的工作已经调查了约束编程（CP）的方法，但他们仍然是有效的，因为他们的编码。在本文中，我们提出了一个全球性的约束的基础上投影数据库的原则，弥补了这一缺陷。实验表明，我们的方法明显优于CP方法，并在大型数据集上与ad hoc方法竞争。
2015-06-23 cs.AI
Structural Decompositions for Problems with Global Constraints
University of Oslo（奥斯陆大学）
大范围的问题可以建模为约束满足问题（CSP），即必须同时满足的一组约束。约束既可以通过显式列出允许的值组合来扩展表示，也可以通过求解器提供的专用算法来隐式表示。这种隐式表示的约束（称为全局约束）被广泛使用;事实上，它们是约束编程在解决现实问题中取得成功的关键原因之一。近年来，CSP实例的结构上的各种限制已被证明可以产生易于处理的CSP类。然而，大多数这样的限制不能保证具有全局约束的CSP的可处理性。因此，我们研究的适用性，结构性限制的情况下，这样的约束。我们表明，当CSP实例的解决方案的数量是有界的关键部分的问题，结构的限制，可以用来派生新的听话的类。此外，我们表明，这一结果扩展到组合的实例从已知的听话的类，以及CSP的情况下，约束分配成本，以满足任务。
2015-02-09 cs.AI
Reformulating Global Grammar Constraints
NICTA（澳大利亚国家信息与通信技术研究院）；University of NSW（新南威尔士大学）
一种有吸引力的机制来指定全局约束在排班和其他领域是通过形式语言。例如，正则和语法约束分别根据自动机和上下文无关文法接受的语言来指定约束。利用约束的固定长度，我们给出了一个将上下文无关文法转换为自动机的算法。然后，我们研究使用最小化技术，以减少这种自动机的大小，加快传播。我们表明，最小化这样的自动机后，他们已经展开和域最初减少可以得到更紧凑的自动机比最小化前展开和减少。实验结果表明，这种转换可以提高我们可以“建模和运行”的排课问题的大小。
2009-03-03 cs.AI
Learning DTW Global Constraint for Time Series Classification
Chulalongkorn University（朱拉隆功大学）
1-最近邻算法是一种基于动态时间规整距离的时间序列分类器。由于语音界引入了全局约束，人们提出了许多全局约束模型，包括Sakoe-Chiba（S-C）带、Itakura谱图和Ratanamahatana-Keogh（R-K）带。R-K带是一种通用的全局约束模型，可以有效地表示任意形状和大小的全局约束。然而，我们需要一个好的学习算法来发现最合适的R-K波段集合，并且当前的R-K波段学习算法仍然遭受“过拟合”现象。本文提出了两种新的学习算法，频带边界提取算法和迭代学习算法。从每个类中所有可能的翘曲路径的界限计算频带边界提取，并且从原始R-K频带学习调整迭代学习。我们还使用了一个剪影指数，一个著名的聚类验证技术，作为一个启发式函数，和下限函数，LB_Keogh，以提高预测速度。20个数据集，从研讨会和挑战的时间序列分类，在SIGKDD 2007年举行的同时，用来评估我们的方法。
2009-02-28 cs.AI
Decomposition of the NVALUE constraint
LIRMM；CNRS（法国国家科学研究中心）；NICTA（国家信息与通信技术研究院）；University of NSW（新南威尔士大学）；École Polytechnique de Montréal（蒙特利尔综合理工学院）
我们研究分解的NVALUE，一个全球性的约束，可用于模拟各种各样的问题，价值需要计数。虽然分解通常会阻碍传播，我们确定了一个分解，保持一个全局视图，强制执行绑定的一致性分解实现绑定的一致性，原来的全球NVALUE约束。这样的分解提供了先进的解决技术，如nogood学习和基于影响的分支算法的前景。它们还可以帮助SAT和IP求解器利用全局约束的传播。
2009-09-17 cs.AI
The Influence of Global Constraints on Similarity Measures for Time-Series Databases
University of Novi Sad（诺维萨德大学）
时间序列由在时间上重复测量获得的一系列值或事件组成。时间序列分析是许多应用领域的重要工具，例如股票市场分析，过程和质量控制，自然现象观察，医疗等。在许多类型的时间序列分析中，一个重要组成部分是选择适当的距离/相似性度量。迄今为止，已经提出了许多措施，其中最成功的是基于动态规划的措施。然而，由于具有二次时间复杂度，在动态规划过程中，为了加快计算速度，经常使用全局约束来限制矩阵中的搜索空间。此外，据报道，这种约束措施也可以实现更好的准确性。本文研究了基于动态规划的两种典型时间序列距离/相似性度量方法：动态时间规整（DTW）和最长公共子序列（LCS），以及全局约束对它们的影响。通过大量的时间序列数据集上的大量实验，我们展示了如何全局约束可以显着减少DTW和LCS的计算时间。我们还表明，如果约束参数是足够紧（小于10-15%的时间序列长度），约束措施变得显着不同，从它的无约束对应，在这个意义上产生质的不同的1-最近邻图。这一观察结果解释了使用约束措施时精度增益的潜力，强调了需要仔细调整约束参数，以实现速度和精度之间的良好权衡。
2013-12-25 cs.AI
Gala: Global LLM Agents for Text-to-Model Translation
Department of Computer Science, University of Southern California（南加州大学计算机科学系）；AI Center of Excellence, Fidelity Investments（富达投资人工智能卓越中心）；Department of Computer Science, Brown University（布朗大学计算机科学系）
针对自然语言转MiniZinc模型的难题，提出Gala全局智能体框架，通过多专用LLM智能体按约束类型分工建模、组装智能体整合代码的方式降低复杂度，实验显示其性能优于单次提示和思维链提示等基线，并规划了未来研究方向。
2025-10-02 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
Dynamic Global Constraints: A First View
全局约束被证明是一个有效的工具，用于建模和解决大规模的现实生活中的组合问题。它们封装了一组二进制约束，并使用全局推理这一组，他们过滤所涉及的变量的域比弧一致性之间的一组二进制约束。此外，全局约束利用语义信息，实现更有效的过滤比广义一致性算法的n元约束。随着约束规划（CP）应用领域的不断扩展，对全局约束的设计提出了新的挑战。特别是，应用CP先进的计划与调度（APS），需要动态添加新的变量和约束的过程中的约束满足，因此，这将是有益的，如果全局约束可以采用新的变量。在本文中，我们给出了这样的动态全局约束的动机，我们描述了一个动态版本的著名alldifferent约束。
2001-09-18 cs.AI cs.PL
Tractable Combinations of Global Constraints
Royal Holloway, University of London（伦敦大学皇家霍洛威学院）；University of Oxford（牛津大学）；University of Warwick（华威大学）
我们研究了涉及全局约束的约束满足问题的复杂性，即，由求解器提供并由参数化算法隐式表示的专用约束。这样的约束被广泛使用;事实上，它们是约束编程在解决现实问题中成功的关键原因之一。以前的工作主要集中在发展有效的传播个人的约束。在本文中，我们确定了一类新的易处理的约束问题，涉及全局约束的无界性。要做到这一点，我们结合结构性的限制与观察，一些重要类型的全球约束不区分大类等价的解决方案。
2013-07-10 cs.AI cs.LO
Kernels for Global Constraints
Vienna University of Technology（维也纳工业大学）
Bessiere等人（AAAI'08）表明，当某些自然问题参数很小时，可以有效地传播几个棘手的全局约束。特别是，一个全局约束的完全传播是固定参数的易处理的k -域中的孔的数量-只要绑定的一致性可以在多项式时间内执行;这适用于全局约束AtMost-NValue和扩展全局基数（EGC）。在本文中，我们延长这条线的研究，并介绍了减少到一个问题的核心，参数化复杂性的一个关键概念的概念，到该领域的全局约束。特别是，我们证明了AtMost-NValue约束的一致性问题允许线性时间减少到O（k^2）变量和域值的等价实例。这个小内核可以用来加速NValue约束的完全传播。我们对比这一结果表明，EGC约束的一致性问题不承认减少到一个多项式问题的内核，除非多项式层次崩溃。
2011-04-13 cs.AI cs.DS
Contractibility for Open Global Constraints
Reasoning Research Institute（推理研究所）
全局约束的开放形式允许在约束程序执行期间向参数添加新变量。这样的形式是需要困难的约束编程问题，其中问题的建设和问题的解决是交错的，并自然适合约束逻辑编程。但是，一般来说，当约束打开时，对于全局约束合理的过滤可能不合理。本文提供了一个简单的表征，称为收缩性，过滤仍然健全的约束时，约束是开放的。有了这个特性，我们就可以很容易地确定一个约束是否具有这个特性。在后一种情况下，我们可以用它来推导约束的可收缩近似。我们证明了这项工作的硬约束和软约束。在这个过程中，我们制定了两个一般类的软约束。
2017-02-25 cs.AI cs.LO
The Complexity of Reasoning with Global Constraints
LIRMM, CNRS/U. Montpellier（法国国家科学研究中心/蒙彼利埃大学 朗格多克信息学、机器人学与微电子实验室）；C and UCC（科克大学 约束计算中心）；Izmir University of Economics（伊兹密尔经济大学）；NICTA and UNSW（澳大利亚国家信息与通信技术研究院 新南威尔士大学）
约束传播是约束编程成功的关键技术之一。为了减少搜索，与每个约束相关联的快速算法修剪变量的域。对于全局（或非二进制）约束，这种传播的成本可能比二进制约束的二次成本大得多。因此，我们研究的计算复杂性的推理与全局约束。我们首先讨论了一些与约束传播有关的重要问题。我们表明，这样的问题是棘手的一般，并确定不同问题的易处理性和难处理性之间的依赖关系。然后，我们演示了如何使用计算复杂性的工具，可以在设计和分析特定的全局约束。特别是，我们说明了如何可以使用计算复杂性来确定何时应执行较低级别的局部一致性，何时约束可以安全地推广，何时分解约束将减少修剪量，以及何时组合约束是易处理的。
2009-03-06 cs.AI cs.CC
Circuit Complexity and Decompositions of Global Constraints
LIRMM；CNRS（法国国家科学研究中心）；NICTA（澳大利亚国家信息与通信技术研究院）；UNSW（新南威尔士大学）
我们表明，从电路复杂性的工具可以用来研究分解的全局约束。特别是，我们研究了分解的全局约束的合取范式的属性，单位传播的分解执行同一级别的一致性作为一个专门的传播算法。我们证明了一个约束传播子有一个多项式大小的分解当且仅当它可以由一个多项式大小的单调布尔电路计算。因此，单调布尔电路的大小的下界转化为全局约束的分解的大小的下界。例如，我们证明了没有多项式大小的分解的域一致性传播的ALLDIFFERENT约束。
2009-05-22 cs.AI cs.CC
Restricted Global Grammar Constraints
NICTA（国家信息与通信技术研究院）；University of NSW（新南威尔士大学）
本文研究了上下文无关文法如确定性和无二义性的上下文无关文法的受限类上的全局GRAMMAR约束。我们发现，在这些情况下，检测的GRAMMAR约束的disentailment是一样困难的分析一个不受限制的上下文无关文法。我们还考虑类的线性文法，并给出了一个传播，在二次时间运行。最后，为了演示线性文法的使用，我们证明了加权线性文法约束可以有效地编码EDITDISTANCE约束，以及EDITDISTANCE约束和REGULAR约束的结合
2009-06-29 cs.AI cs.FL
A global constraint for closed itemset mining
University of Oran 1（奥兰第一大学）；University of Montpellier（蒙彼利埃大学）；University of Caen（卡昂大学）
发现闭频繁模式集是数据采掘的基本问题之一。最近的约束编程（CP）方法的声明性项目集挖掘已经证明了他们的有用性和灵活性。但是，目前CP方法中大量使用的具体化约束给处理高维数据集带来了很多困难。本文提出了一种不需要任何具体化约束和额外变量的CLOSED PATTERN全局约束，有效地编码了闭合频繁模式挖掘（CFPM）约束。CLOSED-PATTERN捕获CFPM问题的特定语义，以确保多项式修剪算法确保域的一致性。我们的约束的计算特性进行了分析，其实际有效性进行了实验评估。
2016-04-17 cs.AI cs.DB
Satisfiability and Query Answering in Description Logics with Global and Local Cardinality Constraints
TU Dresden（德累斯顿工业大学）；University of Wrocław（弗罗茨瓦夫大学）
我们介绍和调查的表达描述逻辑（DL）ALCSCC++，在其中的全局和局部基数约束在以前的文件中介绍的可以混合。一方面，我们证明了这不会增加可满足性检查和其他标准推理问题的复杂性。另一方面，可满足性问题成为不可判定的，如果逆角色添加到语言。此外，即使没有相反的角色，合取查询蕴涵在这个DL原来是不可判定的。我们证明了查询的可判定性可以恢复，如果全局和局部约束不混合和全局约束适当的限制。后一个结果基于局部非循环模型构造，并且它将查询蕴涵减少到受限设置中的ABox一致性，即，到ABox一致性w.r.t. ALCSCC中的受限基数约束，我们可以显示ExpTime上限。
2020-02-14 cs.AI cs.LO
A global constraint for the capacitated single-item lot-sizing problem
Univ. Grenoble Alpes（格勒诺布尔阿尔卑斯大学）；CNRS（法国国家科学研究中心）；Grenoble INP（格勒诺布尔国立理工学院）；Universite Clermont Auvergne（克莱蒙奥弗涅大学）
本文的目标是建立一个约束规划框架来解决批量问题。更具体地说，我们考虑了一个单一的项目批量问题与时变的下限和上界的生产和库存。费用结构包括随时间变化的持有成本、单一生产成本和设置成本。我们建立了一个新的下界，这个问题通过使用一个微妙的时间分解。我们制定这个NP-难的问题作为一个全球性的约束，并表明，绑定的一致性可以实现在伪多项式时间，不包括成本时，在多项式时间。我们开发过滤规则的基础上，现有的动态规划算法，利用上述时间分解困难的情况下。在数值研究中，我们比较了几个公式的问题：混合整数线性规划，约束规划和动态规划。我们表明，我们的全球约束是能够找到解决方案，不像分解的约束规划模型和约束规划可以竞争，特别是当添加组合侧约束。
2019-07-04 cs.AI math.OC
The Parameterized Complexity of Global Constraints
LIRMM（法国国家科学研究中心与蒙彼利埃大学联合信息、机器人与微电子实验室）；UCC（科克大学）；Izmir Uni. of Economics（伊兹密尔经济大学）；Uni. of Bologna（博洛尼亚大学）；NICTA（澳大利亚国家信息与通信技术研究院）；UNSW（新南威尔士大学）
我们认为，参数化的复杂性是一个有用的工具，研究全球的约束。特别是，我们证明了许多难以完全传播的全局约束具有自然参数，这使得它们具有易于计算的固定参数。这种易处理性往往是一个简单的动态程序或分解的结果，它有一个强大的后门的大小有界。这个强后门通常是一个循环割集。我们还表明，参数化的复杂性可以用来研究其他方面的约束规划，如对称破缺。例如，我们证明了值对称性是固定参数易破的对称性的数量。最后，我们认为，参数化的复杂性可以用来推导出的约束传播的近似性的结果。
2009-03-03 cs.AI cs.CC
Scalable Parallel Numerical Constraint Solver Using Global Load Balancing
Tokyo Institute of Technology（东京工业大学）；The University of Tokyo（东京大学）；IBM Watson Research Center（IBM沃森研究中心）；University College Dublin（都柏林大学学院）
提出了一种求解数值约束满足问题的可扩展并行求解器。我们的并行化方案由同质的工人求解器，其中每一个运行在一个可用的核心，并通过全球负载均衡（GLB）的方法与他人进行通信。并行求解器是用X10实现的，X10提供了GLB的实现作为一个库。在实验中，几个NCSP从文献中解决，并获得高达516倍的加速比使用600个核心的TSUBAME2.5超级计算机。
2015-05-18 cs.AI cs.DC
Testing Global Constraints
UCLouvain（鲁汶天主教大学）
每个约束编程（CP）求解器都暴露了一个用于解决组合问题的约束库。为了有用，CP求解器需要没有bug。因此，求解器的测试对于使开发人员和用户有信心至关重要。我们提出了一个Java库，允许任何基于JVM的求解器来测试各个约束的实现是正确的。该库可以用于在持续集成工具中执行的测试套件中，也可以用于发现违反某些属性（弧一致性等）的最低限度实例，以帮助开发人员使用标准调试器识别问题的根源。
2018-07-11 cs.AI cs.SE
Efficient Implementation of the Global Cardinality Constraint with Costs
Université Côte d’Azur（蔚蓝海岸大学）；CNRS（法国国家科学研究中心）；I3S（信息科学与系统实验室）
本文针对带成本的基数约束过滤算法因反复计算最短路径而效率低的问题，提出基于地标上界的预处理方法，以快速避免大量显式最短路径计算，提升约束规划实现效率。
2025-02-04 cs.AI cs.DS
Generative Optimization for Incentivized Advertising with Global Level Constraints
University of Electronic Science and Technology of China（电子科技大学）；Kuaishou Technology（快手科技）
针对全局约束下激励式广告的优化难题，提出GOAL框架与SCPO方法，在降低ROI违规率的同时提升长期收入与用户留存。
2026-08-06 cs.AI cs.LG
Consistency Techniques for Flow-Based Projection-Safe Global Cost Functions in Weighted Constraint Satisfaction
The Chinese University of Hong Kong（香港中文大学）
许多组合问题处理偏好和违规，其目标是找到最小成本的解决方案。加权约束满足是一个框架建模这样的问题，它包括一组成本函数来衡量违反的程度或偏好的不同组合的变量分配。加权约束满足问题（WCSP）的典型求解方法是基于分支定界搜索的，该方法通过使用AC *、FDAC *、EDAC * 等强大的一致性技术来推导隐藏的代价信息并在搜索过程中进行值修剪，从而使其实用化。然而，这些技术被设计成仅在以表格形式表示的二进制和三进制成本函数上是有效的。在处理许多现实生活中的问题时，需要高元（或全局）成本函数。我们调查有效的表示方案和算法带来的好处的一致性技术，也高arity成本函数，这往往是来自硬全球约束从经典的约束满足。文献中提出一些全局费用函数可以表示为流网络，最小费用流算法可以在多项式时间内计算这种网络的最小费用。我们表明，天真地采用这种基于流的算法方法的全局成本函数可以导致更强形式的零逆一致性。我们进一步展示了如何修改该方法来处理成本预测和扩展，以保持广义版本的AC * 和FDAC * 的成本函数超过两个变量。对于更强的EDAC *，类似的推广不那么简单。我们揭示了在共享多个变量的成本函数上实施EDAC * 时的振荡问题。为了避免振荡，我们提出了一个弱版本的EDAC * 和推广到弱EDGAC * 的非二进制成本函数。使用各种基准测试，涉及软变量的硬全局约束ALLDIFFERENT，GCC，EQUI…
2014-01-18 cs.AI cs.DS
Filtering Algorithms for the Multiset Ordering Constraint
University of York（约克大学）；Izmir University of Economics（伊兹密尔经济大学）；University of Bologna（博洛尼亚大学）；University of St Andrews（圣安德鲁斯大学）；NICTA（澳大利亚国家信息通信技术研究院）；University of New South Wales（新南威尔士大学）
约束规划（CP）已被成功地用于解决各种各样的约束满足问题，这些问题通常是计算上难以解决的。全球约束是CP成功背后的重要因素之一。本文研究了一种新的全局约束--多集序约束，它在CP的对称破缺和寻找最优解方面有着重要的应用。我们提出了高效和有效的过滤算法传播这个全局约束。我们表明，该算法是健全的和完整的，我们讨论了可能的扩展。我们还考虑其他传播方法的基础上现有的约束CP工具包。我们的一些基准问题的实验结果表明，通过一个专门的算法传播的多集排序约束可以是非常有益的。
2009-03-03 cs.AI cs.DS
Learning Local Constraints for Reinforcement-Learned Content Generators
Institute of Digital Games（数字游戏研究所）；Game Innovation Lab（游戏创新实验室）
本文提出结合局部约束与强化学习的方法，通过WFC学习约束以保证全局属性，生成视觉和玩法均满足需求的关卡。
2026-10-02 cs.AI cs.LG
Agentic MIP Research: Accelerated Constraint Handler Generation
Zuse Institute Berlin（柏林泽尼茨研究所）；Technische Universität Berlin（柏林技术大学）
本文提出一种基于代理的MIP研究框架，通过嵌入LLM代理生成、验证和评估SCIP求解器的插件，加速约束处理程序的开发。该框架在MIPLIB 2017基准上成功恢复了约束编程中的全局约束结构，并生成了可执行的约束检测器和仅传播的约束处理程序。
2026-05-09 cs.AI cs.CL
One Model, Any CSP: Graph Neural Networks as Fast Global Search Heuristics for Constraint Satisfaction
RWTH Aachen（亚琛工业大学）
我们提出了一个通用的图神经网络架构，可以训练作为一个端2端搜索启发式的任何约束满足问题（CSP）。我们的体系结构可以通过策略梯度下降进行无监督训练，以纯粹的数据驱动方式为任何CSP生成特定于问题的算法。该方法是基于一种新的图形表示CSP，这是通用的和紧凑的，使我们能够处理每一个可能的CSP实例与一个GNN，无论约束arity，关系或域的大小。与以前的基于RL的方法不同，我们在全局搜索动作空间上操作，并允许我们的GNN在随机搜索的每一步中修改任何数量的变量。这使得我们的方法能够适当地利用GNN的固有并行性。我们进行了一个彻底的实证评估，我们从随机数据，包括图着色，MaxCut，3-SAT和MAX-k-SAT中学习著名的和重要的CSP的算法。我们的方法优于以前的神经组合优化方法的大幅利润。它可以在测试实例上与传统的搜索算法竞争，甚至改进传统的搜索算法，这些测试实例比训练过程中看到的要大几个数量级，结构上也更复杂。
2022-08-22 cs.AI cs.LG cs.NE
