Tema 4: Problemas de

satisfaccin de restricciones
Ezequiel Lpez Rubio y Enrique Domnguez
Departamento de Lenguajes y Ciencias de la Computacin
Universidad de Mlaga

Contenidos

4.1 Introduccin
4.2 Definicin del problema y ejemplos
4.3 Restricciones y consistencia
4.4 Vuelta atrs
4.5 Conclusin

4.1 INTRODUCCIN

4.1 Introduccin
Motivacin

El telescopio espacial Hubble fue lanzado en 1990

Poda observar objetos nunca antes vistos
Muchos astrnomos estaban interesados en usarlo

4.1 Introduccin
Motivacin

Cada ao haba que planificar alrededor de 10.00030.000 observaciones, cada una con varias
restricciones operativas y cientficas

Cientfica: slo se puede observar un eclipse cuando est

ocurriendo
Operativa: no puedes observar un objeto cuando est
detrs de la Tierra

El algoritmo de planificacin inicial necesitaba 3

semanas para planificar una semana de
observaciones (!)

4.1 Introduccin
Representaciones factorizadas

En los temas anteriores exploramos problemas que

pueden resolverse buscando en un espacio de estados
Cada estado era atmico, es decir, era una caja negra
sin estructura interna
Aqu emplearemos una representacin factorizada
para cada estado

Un conjunto de variables, cada una con su valor

Un problema est resuelto cuando cada variable tiene un
valor que satisface todas las restricciones sobre dicha
variable

4.2 DEFINICIN DEL

PROBLEMA Y EJEMPLOS

4.2 Definicin del problema y ejemplos

Definicin (I)

Un problema de satisfaccin de restricciones

(constraint satisfaction problem, CSP) est formado
por tres componentes:

Un conjunto de variables, X={X1,,Xn}

Un conjunto de dominios, uno para cada variable:
D={D1,, Dn}
Un conjunto de restricciones que especifican
combinaciones permitidas de valores, C

Cada dominio Di es el conjunto de valores posibles

{v1,, vk} para la variable vi

4.2 Definicin del problema y ejemplos

Definicin (II)

Cada restriccin Ci es un par <scope,rel>

donde scope es la tupla de variables que
intervienen en la restriccin y rel es una
relacin que define los valores que dichas
variables pueden tomar
Por ejemplo, si las variables X3 y X5 deben
tener valores distintos, podemos escribir esta
restriccin como < (X3,X5), X3 X5 >

4.2 Definicin del problema y ejemplos

Definicin (III)

Cada estado de un CSP se define como una

asignacin de valores a algunas o a todas las
variables, {Xi=vi, Xj=vj,}
Una asignacin que no viola ninguna restriccin se
llama asignacin consistente o legal
Si tenemos una asignacin en la cual todas las
variables estn asignadas, la llamamos asignacin
completa. En otro caso, la llamamos asignacin
parcial
Una solucin de un CSP es una asignacin
consistente y completa

4.2 Definicin del problema y ejemplos

Ejemplo 1: Coloreado de mapas

La tarea consiste en colorear cada regin de un mapa

de tal manera que no haya regiones adyacentes que
tengan el mismo color
Para el mapa de Australia (siguiente transparencia),
definimos las variables como X={WA, NT, Q, NSW,
V, SA, T}
El dominio de cada variable es Di={red, green, blue}
Hay nueve restricciones: C={SA WA, SA NT, SA
Q, SA NSW, SA V , SA V, WA NT , NT Q, Q
NSW, NSW V}

4.2 Definicin del problema y ejemplos

Ejemplo 1: Coloreado de mapas

4.2 Definicin del problema y ejemplos

Ejemplo 2: problemas criptoaritmticos

En un acertijo criptoaritmtico, cada letra

representa a un dgito distinto (0-9)

T W
T W

O
O

O U

4.2 Definicin del problema y ejemplos

Ejemplo 2: problemas criptoaritmticos

El requisito de que todas las variables han de tomar diferentes

valores se corresponde con la restriccin
AllDiff(F,T,U,W,R,O)
Introducimos tres variables auxiliares C10, C100 y C1000, que
representan los dgitos acarreados a las columnas de las
decenas, las centenas y los millares, respectivamente
De esta manera el resto de las restricciones son:

O+O=R+10C10
C10+W+W=U+10C100
C100+T+T=O+10C1000
C1000=F

4.3 RESTRICCIONES Y
CONSISTENCIA

4.3 Restricciones y consistencia

Tipos de restricciones

Una restriccin unaria restringe el valor de una sola

variable

Una restriccin binaria relaciona dos variables

Por ejemplo, para imponer que South Australia no se

coloree de verde escribimos <(SA),SAgreen>
Por ejemplo, SANSW

Una restriccin en la que participa un nmero

arbitrario de variables se llama restriccin global

Por ejemplo, AllDiff(F,T,U,W,R,O)

4.3 Restricciones y consistencia

Grafo de restricciones
NT
Q
WA
NSW
SA

Cada variable se
representa mediante un
nodo, y cada restriccin
binaria se representa con
un arco

4.3 Restricciones y consistencia

Hipergrafo de restricciones

Los recuadros
representan las
restricciones
globales

C1000

C100

C10

4.3 Restricciones y consistencia

Consistencia de nodos

Una variable es nodo-consistente si todos los valores

del dominio de la variable satisfacen las restricciones
unarias sobre dicha variable

Por ejemplo, si tenemos la restriccin unaria

<(SA),SAgreen>, podemos hacer SA nodo-consistente
quitando green de su dominio, lo que deja a SA con el
dominio reducido {red, blue}

Siempre es posible eliminar todas las restricciones

unarias de un CSP ejecutando la consistencia de
nodos

4.3 Restricciones y consistencia

Consistencia de arcos

Una variable Xi es arco-consistente si, para cada

valor del dominio de Xi y cada restriccin binaria
(Xi,Xj), podemos encontrar al menos un valor en el
dominio de Xj que satisface la restriccin
Una red es arco-consistente si toda variable es arcoconsistente con las dems variables
El siguiente algoritmo asegura la arco-consistencia
de la variable Xi con respecto a otra variable Xj ;
devuelve true si y slo si se ha revisado el dominio
de Xi

4.3 Restricciones y consistencia

Algoritmo de revisin de dominios
function Revise(csp, Xi, Xj)
revised false
for each x in Di do
if ningn valor y en Dj hace que (x,y)
satisfaga la restriccin entre Xi y Xj then
borrar x de Di
revisedtrue
return revised

4.3 Restricciones y consistencia

Algoritmo AC-3 (I)

El algoritmo ms popular para asegurar la arco-consistencia

en una red se llama AC-3
Mantiene un conjunto de arcos que considerar
Inicialmente el conjunto contiene todos los arcos del CSP
A continuacin extrae un arco cualquiera (Xi,Xj) del conjunto
y hace Xi arco-consistente con respecto a Xj

Si esto reduce el dominio Di, entonces aadimos al conjunto todos los

arcos (Xk,Xi), tales que Xk es vecino de Xi

Si un dominio se reduce a nada, entonces el CSP original no

tena solucin, y devolvemos false. En otro caso obtenemos
un CSP en el que es ms fcil buscar

4.3 Restricciones y consistencia

Algoritmo AC-3 (II)
function AC-3(csp)
setAllArcs(csp)
while set no est vaco do
(Xi,Xj)Extract(set)
if Revise(csp, Xi, Xj) then
if size(Di)=0 then return false
for each Xk in Xi.Neighbors-{Xj} do
aadir (Xk,Xi) a set
return true

4.4 VUELTA ATRS

4.4 Vuelta atrs

Algoritmo bsico (I)

Muchos CSPs no se pueden resolver solamente por inferencia

sobre las restricciones; llega un momento en el que hay que
buscar una solucin
La bsqueda por vuelta atrs es una bsqueda primero en
profundidad que en cada momento elige un valor para una
sola variable, y vuelve atrs cuando una variable no tiene
ningn valor legal que quede por probar
Debemos considerar las siguientes preguntas:

Qu variable debera ser asignada a continuacin?

En qu orden deberamos probar sus valores?
Qu inferencias deberan realizarse en cada paso?

4.4 Vuelta atrs

Algoritmo bsico (II)
function Backtracking-search(csp)
return Backtrack({},csp)
function Backtrack(assignment,csp)
if assignment es completo then return assignment
varSelectUnassignedVariable(csp)
for each value in OrderDomainValues(var,assignment,csp) do
if value es consistente con assignment then
aadir {var=value} a assignment
inferencesInference(csp,var,value)
if inferencesfailure then
aadir inferences a assignment
resultBacktrack(assignment,csp)
if resultfailure then
return result
quitar {var=value} e inferences de assignment
return failure

4.4 Vuelta atrs

Ordenacin de las variables

Habitualmente se elige la variable que tenga el menor nmero

de valores legales. Esto es lo que se llama el heurstico del
mnimo nmero de valores restantes (minimum remaining
values heuristic, MRV)
A fin de romper los empates se puede emplear el heurstico
del grado (degree heuristic, DEG), que elige la variable que
interviene en el mayor nmero de restricciones con otras
variables no asignadas
Esta manera de elegir las variables intenta obtener un fallo tan
pronto como sea posible para podar secciones ms grandes
del rbol de bsqueda rpidamente

4.4 Vuelta atrs

Ordenacin de los valores

En algunos casos el heurstico del valor

menos restrictivo (least constraining value,
LCV) puede resultar til
Prefiere el valor que elimina el menor nmero
de opciones para las variables vecinas en el
grafo de restricciones
Este heurstico intenta obtener una solucin
tan pronto como sea posible eligiendo primero
los valores ms verosmiles

4.4 Vuelta atrs

Intercalando bsqueda e inferencia

Cada vez que hacemos una eleccin de un valor para

una variable, intentamos inferir nuevas reducciones
de dominio en las variables vecinas
Una de las estrategias ms sencillas es la
comprobacin hacia delante (forward checking)

Cada vez que se asigna una variable X, para cada variable

no asignada Y que est conectada a X mediante una
restriccin, borramos del dominio de Y los valores que
son inconsistentes con el valor elegido para X

La comprobacin hacia delante es intil si ya hemos

ejecutado la consistencia de arcos como
procesamiento previo

4.5 CONCLUSIN

4.5 Conclusin
Sumario

Los problemas de satisfaccin de restricciones

representan un estado mediante un conjunto de pares
variable/valor y representan las condiciones que
debe cumplir la solucin mediante un conjunto de
restricciones sobre las variables
Las tcnicas de inferencia usan las restricciones para
inferir qu pares variable/valor son consistentes
Habitualmente se emplea la bsqueda por vuelta
atrs para encontrar una solucin

4.5 Conclusin
Eplogo

Empleando tcnicas similares a las estudiadas

en este tema, el tiempo de planificacin
semanal se redujo de tres semanas a 10
minutos (AIMA, p. 221)
Nebulosa planetaria
NGC 2818, vista
por el telescopio
espacial Hubble.
Rojo = nitrgeno,
verde = hidrgeno,
azul = oxgeno.