Hybridation de prouveurs CSP et apprentissage - Inria - Institut national de recherche en sciences et technologies du numérique Access content directly
Conference Papers Year : 2007

Hybridation de prouveurs CSP et apprentissage

Julien Vion
  • Function : Author
  • PersonId : 847477

Abstract

À ce jour, l'algorithme MGAC-$dom/wdeg$, qui maintient l'Arc Consistance Généralisée pendant la recherche d'une solution, est considéré comme étant l'approche générique la plus efficace pour résoudre des Problèmes de Satisfaction de Contraintes (CSP) difficiles et de grande taille. Dans cet article, nous proposons une approche hybride capable de combiner des recherches systématiques et locales indépendantes tout en transférant des informations utiles d'un algorithme à l'autre. Nous proposons différentes interactions, et en particulier l'apprentissage de nogoods, la pondération de contraintes ainsi que des affectations gloutonnes. Sur un grand nombre d'instances de CSP structurés, les résultats expérimentaux montrent que notre approche donne des résultats intéressants en comparaison avec MGAC-$dom/wdeg$.
Fichier principal
Vignette du fichier
65.pdf (134.09 Ko) Télécharger le fichier
Origin : Files produced by the author(s)
Loading...

Dates and versions

inria-00151161 , version 1 (01-06-2007)

Identifiers

  • HAL Id : inria-00151161 , version 1

Cite

Julien Vion. Hybridation de prouveurs CSP et apprentissage. Troisièmes Journées Francophones de Programmationpar Contraintes (JFPC07), Jun 2007, INRIA, Domaine de Voluceau, Rocquencourt, Yvelines France. ⟨inria-00151161⟩
66 View
99 Download

Share

Gmail Facebook Twitter LinkedIn More