Constraint Satisfaction Problems (CSP

)
M. JAUHARUL FUADY

• Goal test adalah himpunan constraint yang harus dipenuhi berupa kombinasi nilai dari subset variable.Pengertian • Merupakan bentuk khusus dari suatu masalah • State terdiri dari sejumlah variable Xi yang mempunyai nilai dari suatu domain Di. dsb) . spesifikasi. • Contoh masalah nyata • Penugasan kuliah (siapa mengajar apa) • Penjadwalan kuliah (kuliah kapan dan dimana) • Konfigurasi hardware (constraint: anggaran. • Solusi adalah suatu kombinasi assignment terhadap setiap variable sehingga semua constraint terpenuhi.

NSW. NT ≠ SA. (green. Q. … } . SA. NT) є { (red. green. green). NT. … • (WA.Contoh: Map Coloring • Variabel: { WA. blue). blue } • Constraint: Dua wilayah berbatasan harus berbeda warna • WA ≠ NT. (green. blue). T } • Domain: Di = { red. V. (red. red).

T = green } . SA = blue.Contoh Solusi: Map Coloring Solusi: Pemberian nilai setiap variabel yang memenuhi syarat (tidak melanggar constraint) Misal: { WA = red. NSW = green. Q = red. V = red. NT = green.

R. 2. 3. 5. 8. R. 6. O. W. O. T. 1. U. T. X3 } • Domain: Di = { 0. 4. W) . 7. 9 } • Constraint: O + O = R + 10X1 X2 + T + T = O + 10X3 X1 + W + W = U + 10X2 F = X3 alldiff(F. X1. U. X2.Contoh Lain: Cryptarithmetic • Variabel: { F.

Penyelesaian: Uninformed Search • Formulasi masalah CSP sebagai search • Initial state: assignment kosong { } • Successor function: pilih nilai untuk sebuah variabel yang belum di-assign yang diperbolehkan (tidak menyebabkan konflik). dengan n adalah banyaknya variabel  depth first search • Inefisiensi: path tidak penting . Jika tidak ada: gagal! • Goal test: apakah assignment sudah lengkap • Bisa menyelesaikan semua masalah CSP • Solusi pasti ditemukan di depth n.

sehingga terdapat dn leaf • disebut juga backtracking search • Merupakan algoritma uninformed standar untuk masalah CSP . hanya perlu meng-assign satu variabel saja • b = d.Depth First Search pada CSP • Variable assignment berlaku komutatif • [WA=red lalu NT=green] sama saja dengan [NT=green lalu WA=red] • Pada tiap level.

Contoh eksekusi Backtracking Search .

Mempercepat Penyelesaian CSP • Kinerja backtracking search dapat diperbaiki dengan menentukan urutan pemilihan variabel dan nilai yang di-assign ke suatu variabel. • Terdapat beberapa strategi tambahan (heuristics) yang dapat diberlakukan umum (general-purpose) • • • • Variabel mana yang dipilih untuk di-assign terlebih dahulu? Nilai apa yang dipilih untuk di-assign? Apakah kita bisa mendeteksi adanya failure lebih awal? Bisakah struktur masalah CSP tersebut kita manfaatkan? (dengan menggunakan representasi yang jelas) .

Heuristic 1: Most Constrained Variable • Prinsip Pilih variabel yang memiliki kemungkinan nilai sah (nilai yang tidak melanggar constraint) paling sedikit. .

. Sebagai tie-breaker jika ada beberapa variable yang sama bagusnya dari heuristic 1.Heuristic 2: Most Constraining Variable • Prinsip Pilih variable yang paling banyak terlibat constraint dengan variable lain.

Heuristic 3: Least Constraining Value • Prinsip Pilih nilai yang paling sedikit menimbulkan batasan kemungkinan nilai pada variable lain yang belum di-assign. .

langsung failure (backtrack dini). .Forward Checking • Prinsip Catat kemungkinan nilai sah untuk semua variable yang belum di-assign. Jika ada sebuah variable yang tidak mempunyai nilai sah.

.Constraint Propagation • Informasi dari suatu variable yang di-assign yang diteruskan ke variable lain disebut juga dengan constraint propagation. • Namun. tidak semua failure bisa dideteksi dini.

• Prinsip X  Y dikatakan konsisten jika dan hanya jika untuk setiap nilai sah x dari X ada nilai sah y dari Y. dengan mempertahankan konsistensi antar constraint.Arc Consistency • Merupakan metode constraint propagation yang lebih canggih. .

Penyelesaian dengan Local Search • Dalam praktek. • Pemilihan variable: pilih acak variable yang melanggar constraint. • State harus lengkap/complete tapi boleh melanggar constraint. • Pemilihan nilai: heuristic minimum conflict (pilih nilai yang melanggar constraint paling sedikit) • Lakukan local search dengan meminimalkan h(n) . local search cocok untuk CSP. • Operator/action: menukar nilai variable (reassign).

Local Search untuk CSP 4-Queens • State: 4 queen dalam 4 kolom (44 = 256 state) • Operator/action: pindahkan queen dalam kolom • Goal test: tidak ada yang saling makan • Evaluation/fitness function: h(n) = jumlah pasangan yang saling makan .

Ringkasan • CSP adalah masalah dalam bentuk spesifik • State berupa assignment nilai terhadap himpunan variable • Goal test berupa constraint terhadap nilai variable • Backtracking search • Depth first search yang mempertimbangkan satu variable pada tiap level • Heuristic urutan pemilihan variable dan nilai sangat mempengaruhi kinerja • Forward checking dan arc consistency adalah bentuk constraint propagation untuk mendeteksi failure dini • Metode local search dengan heuristic min-conflict cukup efektif untuk CSP .

Sign up to vote on this title
UsefulNot useful

Master Your Semester with Scribd & The New York Times

Special offer for students: Only $4.99/month.

Master Your Semester with a Special Offer from Scribd & The New York Times

Cancel anytime.