Toulon

Programmation par contraintes
Laurent Beaudou
Programmation par contrainte Modélisation Résolution
On se trouve où ?
Un problème, une solution : la solution est-elle une solution
du problème ?
simulation, vérification
2
On se trouve où ?
du problème ?
Un problème : trouver la meilleure solution du problème

programmation linéaire
2
On se trouve où ?
du problème ?
Un problème : trouver une solution du problème

2
On se trouve où ?
du problème ?
Un problème : trouver une solution du problème

programmation par contrainte (CSP)

2
Un premier exemple
Domaine des variables
x , y ∈ {0, 1 . . . 7}
7
6
Contraintes
5
4
x £y =6
3
x +y =5
2
x >y 1
0
0 1 2 3 4 5 6 7
3
Un premier exemple
x , y ∈ {0, 1 . . . 7}
7
6
Contraintes
5
4
x £y =6
3
x +y =5
2
x >y 1
0
0 1 2 3 4 5 6 7
3
Un premier exemple
x , y ∈ {0, 1 . . . 7}
7
6
Contraintes
5
4
x £y =6
3
x +y =5
2
x >y 1
0
0 1 2 3 4 5 6 7
3
Un premier exemple
x , y ∈ {0, 1 . . . 7}
7
6
Contraintes
5
4
x £y =6
3
x +y =5
2
x >y 1
0
0 1 2 3 4 5 6 7
3
Un premier exemple
x , y ∈ {0, 1 . . . 7}
7
6
Contraintes
5
4
x £y =6
3
x +y =5
2
x >y 1
0
0 1 2 3 4 5 6 7
3
Un premier exemple
x , y ∈ {0, 1 . . . 7}
7
6
Contraintes
5
4
x £y =6
3
x +y =5
2
x >y 1
0
0 1 2 3 4 5 6 7
3
Programmation par contraintes : plan
1 Programmation par contrainte
2 Modélisation
3 Résolution
4
2 Modélisation
3 Résolution
5
La programmation par contraintes
Objectif
Trouver une solution réalisable
Qui respecte des contraintes faciles à vérifier

Formules mathématiques simples, tableaux de valeurs possibles
Avec des ensembles de valeurs possibles

pour les variables de décision
6
Domaines
Définition
X1 , X2 . . . Xn les variables de décision
Domaine
La variable Xi doit prendre ses valeurs dans le domaine Di
discret
fini ou infini
7
Domaines
Exercice
Sont-ce des domaines ?
{1, 2, 3, 4}
L’ensemble des entiers naturels.
L’ensemble des réels
Les entiers naturels impairs
L’intervalle [¡1, 1]
Les points à coordonnées entières du plan
8
Domaines
Exercice
Sont-ce des domaines ?
{1, 2, 3, 4} ✔
L’ensemble des entiers naturels. ✔
L’ensemble des réels ✘
Les entiers naturels impairs ✔
L’intervalle [¡1, 1] ✘
Les points à coordonnées entières du plan ✔
8
Contraintes
C’est quoi ? )
Variables
Contraintes
Domaines
Une contrainte restreint les valeurs que l’on peut affecter
simultanément à des variables
9
Contraintes
C’est quoi ? )
Variables
Contraintes
Domaines
Une contrainte restreint les valeurs que l’on peut affecter
simultanément à des variables
Exemples :
2x + 3y = 12 x 6= 3y
3x 2 =3 (ABC ) forme un triangle isocèle
A∪B ½C x , y , z distincts deux à deux
9
Contraintes
Déclaration d’une contrainte
2 types de déclaration :
extension : on énumère les valeurs admises

(x = 1 et y = 2) ou (x = 2 et y = 4) ou (x = 3 et y = 0)
intension : on utilise les signes mathématiques connus

x <y
10
Contraintes
Exemples supplémentaires
Contraintes logiques
Si x = 4 alors y = 5
x = y ou x = 2y
Contraintes globales
Toutes les variables sont différentes
Méta-contraintes
La valeur 5 est utilisée exactement 3 fois
11
Problème de satisfaction de contraintes
(X , D, C ) tel que

 X = {X1 , X2 , . . . , Xn }
 l’ensemble des variables
D = {D1 , D2 , . . . , Dn } où Di est le domaine de Xi
 C = {C , C , . . . , C } l’ensemble des contraintes

1 2 m
Exemple
X = {a, b, c, d}
D(a) = D(b) = D(c) = D(d) = {0, 1}
C = {a 6= b, c 6= d, a + c < b}
12
Solution d’un CSP
Une affectation est le fait d’instancier des variables.
A = {(X1 , V1 ), (X3 , V3 ), (X4 , V4 )}

associe la valeur V1 de D1 à la variable X1 ...
Une affectation est :

partielle ou totale
constistante ou inconsistante
Une solution est une affectation totale consistante.
13
Solution d’un CSP
Problème
X = {a, b, c, d}
D(a) = D(b) = D(c) = D(d) = {0, 1}
C = {a 6= b, c 6= d, a + c < b}
A1 = {(a, 1), (b, 0), (c, 0), (d, 0)}

A2 = {(a, 0), (b, 0)}
A3 = {(a, 1), (b, 0)}
A4 = {(a, 0), (b, 1), (c, 0), (d, 1)}
14
Solution d’un CSP
Problème
X = {a, b, c, d}
D(a) = D(b) = D(c) = D(d) = {0, 1}
C = {a 6= b, c 6= d, a + c < b}
A1 = {(a, 1), (b, 0), (c, 0), (d, 0)} totale, inconsistante
A2 = {(a, 0), (b, 0)} partielle, inconsistante
A3 = {(a, 1), (b, 0)} partielle, consistante
A4 = {(a, 0), (b, 1), (c, 0), (d, 1)} totale, consistante
A4 est donc une solution
14
Le jeu du : CSP, pas CSP !
Connaissant les pièces de mon porte-monnaie, puis-je rendre

exactement 8 euros et 57 centimes ?
Connaissant les pièces de mon porte-monnaie, quelle est la
meilleure façon de rendre 8 euros et 57 centimes ?
Est-il possible de colorier une carte avec 5 couleurs sans
frontière monochrome ?
Sur un cercle, trouver un point à distance 2 d’une droite.
15
Le jeu du : CSP, pas CSP !
Connaissant les pièces de mon porte-monnaie, puis-je rendre

exactement 8 euros et 57 centimes ? ✔
Connaissant les pièces de mon porte-monnaie, quelle est la
meilleure façon de rendre 8 euros et 57 centimes ? ✘
Est-il possible de colorier une carte avec 5 couleurs sans
frontière monochrome ? ✔
Sur un cercle, trouver un point à distance 2 d’une droite. ✘
15
2 Modélisation
3 Résolution
16
Un constat
Un problème est rarement donné sous la forme d’un CSP
17
Le problème des reines
Jeu : placer 4 reines sur un échiquier 4 £ 4sans qu’elles ne se

menacent
1 2 3 4
18
Jeu : placer 4 reines sur un échiquier 4 £ 4
Une seule dame

par ligne
1 2 3 4
par colonne
par diagonale 1
18
Jeu : placer 4 reines sur un échiquier 4 £ 4
Modélisation
1 2 3 4
variables L1 , L2 , L3 , L4 et
C1 , C2 , C3 , C4 1
domaines Li ∈ {1, 2, 3, 4} et
2
Ci ∈ {1, 2, 3, 4}
contraintes lignes, colonnes
3
et diagonales différentes.
4
18
Modélisation
Modélisation
variables L1 , L2 , L3 , L4 et 1 2 3 4
C1 , C2 , C3 , C4
1
Ci ∈ {1, 2, 3, 4} 2
contraintes 3
∀i 6= j, Li 6= Lj
Ci 6= Cj 4
∀i 6= j, Li + Ci 6= Lj + Cj
Li ¡ Ci 6= Lj ¡ Cj
19
Modélisation
Attention
Il n’y a pas qu’une modélisation possible !
Modélisation
variables L1 , L2 , L3 , L4 et 1 2 3 4
C1 , C2 , C3 , C4
1
Ci ∈ {1, 2, 3, 4} 2
contraintes 3
∀i 6= j, Li 6= Lj
Ci 6= Cj 4
∀i 6= j, Li + Ci 6= Lj + Cj
Li ¡ Ci 6= Lj ¡ Cj
19
Modélisation
Attention
Il n’y a pas qu’une modélisation possible !
Modélisation
variables L1 , L2 , L3 , L4 1 2 3 4
domaines Li ∈ {1, 2, 3, 4}
1
contraintes
∀i =
6 j, Li 6= Lj 2
∀i =6 j, Li + i 6= Lj + j
3
Li ¡ i 6= Lj ¡ j
4
19
Exercice : le retour de monnaie
On s’intéresse à un distributeur automatique de boissons.

L’utilisateur insère des pièces de monnaie pour un total de T
centimes d’Euros, puis il sélectionne une boisson, dont le prix est
de P centimes d’Euros (T et P étant des multiples de 10). Il
s’agit alors de calculer la monnaie à rendre, sachant que le
distributeur a en réserve E2 pièces de 2e, E1 pièces de 1e, C50
pièces de 50 centimes, C20 pièces de 20 centimes et C10 pièces
de 10 centimes.
Modélisez ce problème sous la forme d’un CSP.
20
Correction : le retour de monnaie
<handout :0>
21
<handout :0>
Variables : X2 , X1 , X50 , X20 , X10 , nombres de pièces à rendre
21
<handout :0>
Domaines :
DX2 = {0, 1, . . . , E2 }
21
<handout :0>
Domaines :
DX2 = {0, 1, . . . , E2 }
DX1 = {0, 1, . . . , E1 }
DX50 = {0, 1, . . . , C50 }
DX20 = {0, 1, . . . , C20 }
DX10 = {0, 1, . . . , C10 }
21
<handout :0>
Domaines :
DX2 = {0, 1, . . . , E2 }
DX1 = {0, 1, . . . , E1 }
DX50 = {0, 1, . . . , C50 }
DX20 = {0, 1, . . . , C20 }
DX10 = {0, 1, . . . , C10 }
Contrainte :
200X2 + 100X1 + 50X50 + 20X20 + 10X10 = T ¡ P
21
Exercice : Send More Money
On considère l’addition suivante :

S E N D
+ M O R E
= M O N E Y
où chaque lettre représente un chiffre différent (compris entre 0
et 9). On souhaite connaitre la valeur de chaque lettre, sachant
que la première lettre de chaque mot représente un chiffre
différent de 0.
Modélisez ce problème sous la forme d’un CSP.
22
Correction : Send More Money
23
Variables : S, E , N, D, M, O, R, Y
23
Domaines :
DS = DM = {1, 2, 3, 4, 5, 6, 7, 8, 9}
DE = DN = DD = DO = DR = DY = {0, 1, 2, 3, 4, 5, 6, 7, 8, 9}
23
Domaines :
DS = DM = {1, 2, 3, 4, 5, 6, 7, 8, 9}
DE = DN = DD = DO = DR = DY = {0, 1, 2, 3, 4, 5, 6, 7, 8, 9}
Contraintes :
1000(S + M) + 100(E + O) + 10(N + R) + (D + E ) =
10000M + 1000O + 100N + 10E + Y
tousDifferents(S, E , N, D, M, O, R, Y )
23
2 Modélisation
3 Résolution
24
Résolution naïve
Enumération
On génère toutes les affectations totales possibles
On vérifie si elles sont consistantes
si on en trouve une consistante, c’est gagné
25
Résolution naïve
Enumération
On génère toutes les affectations totales possibles
On vérifie si elles sont consistantes
si on en trouve une consistante, c’est gagné
Avantage : très facile à mettre en œuvre

Inconvénient : très gourmand en ressource temps
25
Résolution naïve
Un problème à n variables qui peuvent prendre 2 valeurs.

109 affectations traitées par seconde.
n nb d’affectations temps
10 103
20 106
30 109
40 1012
50 1015
60 1018
70 1021
... d’où l’intérêt de bien choisir la modélisation
26
Résolution naïve
Un problème à n variables qui peuvent prendre 2 valeurs.

109 affectations traitées par seconde.
n nb d’affectations temps
10 103 10 6 secondes ✔
20 106 10 3 secondes ✔
30 109 1 seconde ✔
40 1012 16 minutes
50 1015 11 jours ✘
60 1018 32 ans ✘✘
70 1021 317 siècles ✘✘
... d’où l’intérêt de bien choisir la modélisation
26
Les remèdes
S’arrêter quand une affectation partielle est inconsistante
backtrack
Restreindre les domaines des variables durant l’exécution
propagation de contraintes
Utiliser des heuristiques
Utiliser nos connaissances sur le problème étudié
...
27
Backtrack
Principe :
On parcourt l’arbre des affectations en profondeur
Lorsqu’une affectation partielle est inconsistante, on n’explore
pas le sous-arbre correspondant
28
Bactrack : jeu de dames
Exemple d’exécution
29
Backtrack
Backtrack Méthode naïve
✔ Moins d’affectations ✘ Toutes les affectations sont

considérées considérées
✘ Toutes les contraintes sont ✔ On ne teste les contraintes
testées à chaque affectation que sur les affectations
même partielle totales
✔ Facile à mettre en œuvre ✔ Très facile à mettre en
œuvre
Importance de l’ordre des variables
30
Propagation des contraintes
Principe :
On restreint le domaine d’une variable
avec les contraintes, on restreint les autres domaines
Exemple
0 < x · 10 et 3 · y · 9
contrainte : x > y
Alors on peut restreindre le domaine de x à 4 · x · 10
31
Exemple d’exécution
32
Choix
On propage :
Quand un domaine est réduit
Quand une des bornes du domaine est changée
Quand un domaine est un singleton
On propage :
Une fois : nœud-consistance
Deux fois : arc-consistance
Ou plus...
33
Nœud-consistance
Formellement, un CSP (X , D, C ) est consistant de nœud si pour
toute variable Xi de X , et pour toute valeur v de D(Xi ),
l’affectation partielle (Xi , v ) satisfait toutes les contraintes unaires
de C .
34
Nœud-consistance
Formellement, un CSP (X , D, C ) est consistant de nœud si pour
toute variable Xi de X , et pour toute valeur v de D(Xi ),
l’affectation partielle (Xi , v ) satisfait toutes les contraintes unaires
de C .
Algorithmiquement, pour chaque variable Xi non affectée dans A,

on enlève de D(Xi ) toute valeur v telle que l’affectation
A ∪ {(Xi , v )} est inconsistante.
34
Nœud-consistance
35
Arc-consistance
Formellement, un CSP (X , D, C ) est consistant d’arc si pour tout
couple de variables (Xi , Xj ) de X , et pour toute valeur vi
appartenant à D(Xi ), il existe une valeur vj appartenant à D(Xj )
telle que l’affectation partielle {(Xi , vi ), (Xj , vj )} satisfasse toutes
les contraintes binaires de C .
36
Arc-consistance
Formellement, un CSP (X , D, C ) est consistant d’arc si pour tout
couple de variables (Xi , Xj ) de X , et pour toute valeur vi
appartenant à D(Xi ), il existe une valeur vj appartenant à D(Xj )
telle que l’affectation partielle {(Xi , vi ), (Xj , vj )} satisfasse toutes
les contraintes binaires de C .
Algorithmiquement, pour chaque variable Xi non affectée dans A,

on enlève de D(Xi ) toute valeur v telle qu’il existe une variable Xj
non affectée pour laquelle, pour toute valeur w de D(Xj ),
l’affectation A ∪ {(Xi , v ), (Xj , w )} soit inconsistante.
36
Arc-consistance : exemple d’exécution
37
Propagation de contraintes
Nœud-consistance : Arc-consistance :
✔ Moins d’affectations ✔ Beaucoup moins

considérées d’affectations considérées
✘ Toutes les contraintes sont ✘ Etablir l’arc-consistance
testées à chaque affectation peut prendre beaucoup de
même partielle temps selon les contraintes.
✔ Facile à mettre en œuvre ✘ Moins facile à mettre en
œuvre
La nœud-consistance est quasiment toujours plus efficace que
le Backtrack
Du fait de sa complexité l’arc-consistance se révèle moins
efficace que la nœud-consistance
38
Résolution : bilan
Remarques :
Backtrack = propagation de contrainte au niveau 0

De la supériorité du cerveau : quel que soit l’algorithme choisi,
la modélisation et l’ordre des variable ont leur importance
Heuristiques : évaluation de la branche de l’arbre à inspecter
en priorité
Autres méthodes : backtrack à plusieurs étages
Selon la nature du problème : simplexe, branch & bound...
plus efficaces car non-génériques
39
Exemple : Affectation de stock
N entrepôts (coût d’ouverture)

M boutiques
coûts d’acheminement d’un entrepôt à une boutique
capacité : chaque entrepôt ne peut fournir qu’un certain
nombre de boutiques
Question : avec un budget de mille euros, puis-je subvenir aux

besoins de mes boutiques ?
40
Correction : Affectation de stock
coût d’ouverture : ouvre(i) pour 1 · i · N
coût d’acheminement : transfert(i, j) pour 1 · i · N,

1·j ·M
capacités : cap(i) pour 1 · i · N
41
coût d’ouverture : ouvre(i) pour 1 · i · N
coût d’acheminement : transfert(i, j) pour 1 · i · N,

1·j ·M
capacités : cap(i) pour 1 · i · N
Variables : ouvert(i) pour 1 · i · N

fournisseur(j) pour 1 · j · M
Domaines : ouvert(i) ∈ {0, 1}

fournisseur(j) ∈ {1, 2 . . . N}
41


Contraintes :
42


Contraintes :
pour tout 1 · j · M, ouvert(fournisseur(j)) = 1
42


Contraintes :
P
pour tout 1 · i · N, j|fournisseur(j)=i 1 · cap(i)
42


Contraintes :
P
pour tout 1 · i · N, j|fournisseur(j)=i 1 · cap(i)
P P
1000 ¸ i ouvre(i)ouvert(i) + j transfert(fournisseur(j), j)
42

Toulon

Загружено:

Сведения о документе

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

Toulon

Загружено:

Авторское право:

Доступные форматы

Programmation par contraintes

Un problème : trouver la meilleure solution du problème

Un problème : trouver une solution du problème

Un problème : trouver la meilleure solution du problème

Un problème : trouver une solution du problème

Un problème : trouver la meilleure solution du problème

Domaine des variables

Domaine des variables

Domaine des variables

Domaine des variables

Domaine des variables

Domaine des variables

Programmation par contraintes : plan

1 Programmation par contrainte

Programmation par contraintes : plan

1 Programmation par contrainte

La programmation par contraintes

Trouver une solution réalisable

Qui respecte des contraintes faciles à vérifier

Avec des ensembles de valeurs possibles

X1 , X2 . . . Xn les variables de décision

Sont-ce des domaines ?

Sont-ce des domaines ?

Déclaration d’une contrainte

extension : on énumère les valeurs admises

intension : on utilise les signes mathématiques connus

Problème de satisfaction de contraintes

Solution d’un CSP

Une affectation est le fait d’instancier des variables.

A = {(X1 , V1 ), (X3 , V3 ), (X4 , V4 )}

Une affectation est :

Une solution est une affectation totale consistante.

Solution d’un CSP

A1 = {(a, 1), (b, 0), (c, 0), (d, 0)}

Solution d’un CSP

A4 est donc une solution

Le jeu du : CSP, pas CSP !

Connaissant les pièces de mon porte-monnaie, puis-je rendre

Le jeu du : CSP, pas CSP !

Connaissant les pièces de mon porte-monnaie, puis-je rendre

Programmation par contraintes : plan

1 Programmation par contrainte

Un problème est rarement donné sous la forme d’un CSP

Le problème des reines

Jeu : placer 4 reines sur un échiquier 4 £ 4sans qu’elles ne se

Le problème des reines

Jeu : placer 4 reines sur un échiquier 4 £ 4

Une seule dame

Le problème des reines

Jeu : placer 4 reines sur un échiquier 4 £ 4

Exercice : le retour de monnaie

On s’intéresse à un distributeur automatique de boissons.

Correction : le retour de monnaie

Correction : le retour de monnaie

Correction : le retour de monnaie

Correction : le retour de monnaie

Correction : le retour de monnaie

Exercice : Send More Money

On considère l’addition suivante :

Correction : Send More Money

Correction : Send More Money

Correction : Send More Money

Correction : Send More Money

Programmation par contraintes : plan