Least-Constraining-Value คืออะไร

ในปัญหาความพึงพอใจของข้อ จำกัด ฮิวริสติกสามารถนำมาใช้เพื่อปรับปรุงประสิทธิภาพของตัวแก้ปัญหาแบบ bactracking ฮิวริสติกที่ได้รับโดยทั่วไปสามตัวสำหรับนักแก้ปัญหาการย้อนรอยอย่างง่ายคือ:

• ค่าต่ำสุดที่เหลืออยู่ (จำนวนค่ายังคงใช้ได้สำหรับตัวแปรนี้)
• ฮิวริสติกระดับ (จำนวนตัวแปรอื่น ๆ ที่ได้รับผลกระทบจากตัวแปรนี้)
• Least-constraining-value (ค่าใดจะทำให้ค่าอื่น ๆ ส่วนใหญ่สำหรับตัวแปรอื่น ๆ )

สองอันแรกค่อนข้างชัดเจนและใช้งานง่าย ก่อนอื่นให้เลือกตัวแปรที่มีค่าน้อยที่สุดในโดเมนและหากมีความสัมพันธ์ให้เลือกตัวแปรที่มีผลต่อตัวแปรอื่น ๆ ส่วนใหญ่ ด้วยวิธีนี้หากขั้นตอนหลักในตัวแก้ปัญหาเลือกการมอบหมายที่ไม่ดีคุณมีโอกาสพบได้เร็วขึ้นและประหยัดเวลาหากคุณเลือกตัวแปรที่มีค่าน้อยที่สุดที่เหลือซึ่งส่งผลต่อสิ่งอื่น ๆ ส่วนใหญ่

สิ่งเหล่านี้เรียบง่ายชัดเจนและใช้งานง่าย

ค่าที่ จำกัด น้อยที่สุดไม่ได้กำหนดไว้อย่างชัดเจนทุกที่ที่ฉันมอง ปัญญาประดิษฐ์: วิธีการที่ทันสมัย (Russel & Norvig) เพิ่งพูดว่า:

มันชอบค่าที่ออกกฎตัวเลือกน้อยที่สุดสำหรับตัวแปรใกล้เคียงในกราฟข้อ จำกัด

การค้นหา "ค่า จำกัด อย่างน้อยที่สุด" ปรากฏเฉพาะการนำเสนอภาพนิ่งของมหาวิทยาลัยจำนวนมากตามหนังสือเล่มนี้เท่านั้นโดยไม่มีข้อมูลเพิ่มเติมเกี่ยวกับวิธีการทำอัลกอริธึม

ตัวอย่างเดียวที่ให้สำหรับฮิวริสติกนี้คือกรณีที่ตัวเลือกหนึ่งค่ากำจัดตัวเลือกทั้งหมดสำหรับตัวแปรข้างเคียงและตัวเลือกอื่นไม่ได้ ปัญหาของตัวอย่างนี้คือมันเป็นกรณีเล็กน้อยซึ่งจะถูกกำจัดทันทีเมื่อการตรวจสอบการมอบหมายที่อาจเกิดขึ้นนั้นสอดคล้องกับข้อ จำกัด ของปัญหา ดังนั้นในตัวอย่างทั้งหมดที่ฉันสามารถหาได้ฮิวริสติกที่มีข้อ จำกัด น้อยที่สุดไม่ได้มีประโยชน์ต่อประสิทธิภาพของตัวแก้ปัญหา แต่อย่างใดยกเว้นผลกระทบเล็กน้อยจากการเพิ่มการตรวจสอบซ้ำซ้อน

สิ่งเดียวที่ฉันคิดได้ก็คือการทดสอบการกำหนดค่าที่เป็นไปได้ของตัวแปรข้างเคียงสำหรับการมอบหมายแต่ละครั้งและนับจำนวนการมอบหมายที่เป็นไปได้ของเพื่อนบ้านที่มีอยู่สำหรับการมอบหมายที่เป็นไปได้ของแต่ละตัวแปรจากนั้นเรียงลำดับค่าสำหรับตัวแปรนี้ ขึ้นอยู่กับจำนวนการกำหนดเพื่อนบ้านที่มีอยู่หากเลือกค่านั้น อย่างไรก็ตามฉันไม่เห็นว่าสิ่งนี้จะช่วยปรับปรุงการเรียงลำดับแบบสุ่มได้อย่างไรเนื่องจากต้องใช้การทดสอบชุดค่าผสมหลายตัวแปรและการเรียงลำดับตามผลลัพธ์จากการนับ

ทุกคนสามารถให้คำอธิบายที่มีประโยชน์มากขึ้นกับค่าที่ จำกัด อย่างน้อยที่สุดและอธิบายว่ารุ่นของค่าที่ จำกัด อย่างน้อยนั้นจะให้ประโยชน์ในการปรับปรุงอย่างไร

ดูลิงค์นี้:

https://people.cs.pitt.edu/~wiebe/courses/CS2710/lectures/constraintSat.example.txt

โดยจะเลือกตัวแปร "O" ก่อนจากนั้นทดสอบ "O" ด้วยค่าทั้งหมดตามกฎหมาย "i" เพื่อดูจำนวนการลดจำนวน "N" ของเพื่อนบ้าน "N" มันเพิ่มทั้งหมดของพวกเขา และเลือก "i" ที่ทำให้การลดน้อยลง:

   sums = {0:0,1:0,2:0,3:0,4:0,5:0,6:0,7:0,8:0,9:0}
   For i from 0 to 9:  
     plug "o=i" into the constraint formulas
     For each neighbor "N" of "o" in the constraint graph:
       sums[i] += the number of values remaining for "N"

มันเลือก "i" เพื่อให้:

sums[i] = MAX{sums[i] | for all "i" that is a member of "O",s valid values}

ฉันหวังว่านี่จะช่วยคุณค้นหาคำตอบของคุณ!

ฉันคิดว่าสิ่งสำคัญที่นี่คือการใช้ฮิวริสติกเหล่านี้ขึ้นอยู่กับงานที่นักเขียนเขียน และหากมีความเป็นไปได้ว่าหากค่าที่เลือกของตัวแปรไม่ทิ้งค่าเดียวไว้ในโดเมนของตัวแปรอื่น (สมมติว่าเรามีปัญหาที่มีข้อ จำกัด อย่างมากกับการแก้ปัญหาเพียงวิธีเดียว) การแก้ปัญหาจะหยุดนิ่ง . และการค้นหาแบบสุ่มสามารถไปตามเส้นทางที่ถูกต้องซึ่งนำไปสู่การตัดสินใจและสิ่งที่ผิด และหากเกิดข้อผิดพลาดคุณจะต้องทำการย้อนรอยกลับ (ดูการย้อนรอยด้วยการควบคุมความขัดแย้ง) และต้องใช้เวลาในการคำนวณ แต่อัลกอริทึมที่ใช้การวิเคราะห์พฤติกรรมของ LCV มีแนวโน้มที่จะไปตามเส้นทางที่ถูกต้องมากขึ้นและไม่จำเป็นต้องส่งคืน แต่ถ้ามีปัญหาภายใต้ข้อ จำกัด ฉันคิดว่ามันจะเหมือนกับการค้นหาแบบสุ่ม