Random Minizing？

我试图在Minizing中实现一个稍微不寻常的约束解决问题：我有一个CSP，它有一些硬约束和一个软约束，解决方案中的关系应该具有与示例解决方案相似的统计特征。也就是说，如果输入有5个“红色”和12个“绿色”，则找到的解决方案不必正好有5个和12个，但在统计上可能有类似的分布……但也允许罕见的解决方案，例如，没有红色

虽然我可能有一个硬约束，即分布必须与分布完全匹配，或者从中获取所有可能的解决方案和样本，但我更喜欢一种搜索策略，该策略可以获得一个在统计上可能具有类似分布（但可以变化）的解决方案。或者是一种与性能相当的方法

将

indomain random

用于

assignmentannotation

似乎可行，但据我所知，使用权重的唯一方法是使用多个值填充域，以正确的权重填充域

---

或者，我可以把它作为一个优化问题，并寻找一个解决方案，最大限度地提高与所需分布的相似性，但我更喜欢满足硬约束的东西，并从软约束的整个可能解决方案空间中进行加权采样。

对于大多数优化求解者来说，处理软约束可能是一个相当大的挑战。通常取决于优化的应用，处理软约束的最佳方法是什么。我认为解决你的问题有两种方法：

• 考虑到这个问题，您实际上可以自己处理软约束。考虑到模型相对容易求解，您可以使用

  -a

  标志仅使用硬约束运行模型，以提供所有解决方案，然后使用自定义脚本选择解决方案排名。（也许可以看看迷你锌的IPython扩展，这将使处理溶液变得容易）。这可能是最灵活的解决方案，真正让您决定如何使用软约束。我认为这种方法很适合您的问题，因为您的软约束似乎更像是解决方案的排序机制
• 模型结合实际软约束条件，制定目标函数。软约束可以用松弛变量或布尔表达式建模。最近甚至出现了一种专门用于软约束的语言：。当使用软约束进行建模时，通常很难制定目标函数。决定哪种软约束组合比其他软约束组合更好并不容易。这种技术仍然经常被使用，因为它比第一种更有效

在您的问题中，您指的是使用随机选择的搜索策略。我相信这实际上并不能解决你的问题（或者至少不能解决问题本身）。由于使用随机选择进行搜索，或者为了满足性，只声明它找到的第一个解决方案，这可能不满足任何软约束，或者您将不得不制定一个目标值

正如一般建议一样，您可能需要考虑运行模型并将相似性限制到最小值，看看这些是否给出了您正在寻找的答案。获取这些边界可能对寻找解决方案有很大帮助。（设置此最小值也可能大大提高第一种方法的性能）