Algorithm 不确定性约束满足

我试图解决一个问题，在这个问题中，约束的满足性不能总是得到验证。我可以找到很多关于柔性约束满足的论文，但这不是我想要的。下面是一个例子：

P(Jim likes Cheese) = 0.8
P(Joe likes Cheese) = 0.5
P(Sam likes Cheese) = 0.2
P(Jim and Sam are friends) = 0.9
P(Jim and Joe are friends) = 0.5
P(Joe and Sam are friends) = 0.7

查理正在谈论两个喜欢奶酪的朋友。他最有可能谈论的是谁

我目前认为这是一个约束满足问题：

[likes cheese]   [likes cheese]
 |                           |
 | /-------[alldiff]-------\ |
 |/                         \|
[X]--------[friends]--------[Y]

  ?            ?             ?
  |            |             |
(Sam)        (Joe)         (Jim)

是否存在处理此类顾客服务提供商的现有方法

CSP是解决问题的正确方法吗？

这看起来更像是约束满足。请特别参阅。

对于命题模型（其中每个变量都有一个不同的名称），您应该了解概率图形模型（尤其是马尔可夫网络）。它们与SAT和CSP密切相关，因为它们基本上是一种泛化，但仍然属于相同的复杂性类别

#P

如果您对这些模型的简洁、一阶表示感兴趣，您应该研究统计关系学习或一阶概率模型（同义词）。在此，模型以“提升”形式表示。例如，可能存在以下形式的概率约束，使用一些对象域上的变量：

on(?x,?y) => largerThan(?y,?x)

---

使用这些不依赖于生成地面模型的模型进行的推理是在提升概率推理领域中进行的。

如果您对概率推理的统一方面感兴趣，那么您需要查看统计关系模型，正如特别接触所指出的。这方面最突出的是马尔可夫逻辑网络（）。原来的报纸上甚至有一个“朋友和烟民”的例子与你的非常相似

解决MLN和其他概率关系模型的一种方法是提升概率推理，它明确涉及统一等问题。以下是指向教程的链接：。 然而，这是一个相对较新的研究领域，不太可能在实践中容易应用

---

另一个更为近期的概率关系模型是概率规划（DARPA正在就这一主题提供资助）。您可能想查看Church、BLOG（Bayesian Logic）和Figaro的语言，但同样，这些都是最近的研究主题，不太容易使用。

您能假设一些关于独立性的信息吗？我想在这个例子中，你可能有两个朋友在一次奶酪取样会上相遇，这会让事情变得一团糟；也许我的例子不好。我想将一组谓词

P

视为对可能变量的一组约束，这些变量可以替换为这些谓词。不幸的是，我们只能在有限的确定度下评估谓词是否支持替换。你能解释一下为什么你会这样认为吗？关于PLN的信息非常少……来自维基百科：“PLN的基本目标是提供合理准确的概率推断……”这似乎与我想要的无关。在我的场景中，我有一组值。我将定期获取谓词集，并需要返回满足谓词集的这些值的组合。如果我能够访问变量值替换的离散真值，这将是一个严格的CSP。扭曲之处在于替代的不确定性。另一个转折点是，我在一个开放的世界里工作，但我们暂时忽略这一点。你似乎在试图推断变量值替换，以最大化一组条件谓词的可能性。这就是我建议PLN（或其他一些统计关系模型）的原因。如果这不是你的意思，你能更严格地说明约束满足在这种情况下意味着什么吗？你怎么知道你什么时候做到了呢？我承认CSP不是解决我问题的正确方法，但最终我决定图形模型通常不是合适的解决方案，特别是因为我不尝试进行推理，而是统一/参考解析。我之所以接受这个答案，是因为尽管它不是我问题的解决方案，但这是我的问题被错误地看待的结果，而这个答案的信息量最大。我的问题还在这里