Solveurs de contraintes autonomes

Autonomous constraint solvers

• Auteur / Autrice : Hugues Wattez
• Direction : Christophe Lecoutre, Frédéric Koriche
• Type : Thèse de doctorat
• Discipline(s) : Informatique et applications
• Date : Soutenance le 09/12/2021
• Etablissement(s) : Artois
• Ecole(s) doctorale(s) : École doctorale Sciences, technologie et santé (Amiens)
• Partenaire(s) de recherche : Laboratoire : Centre de recherche en informatique (Lens, Pas-de-Calais ; 2008-....)
• Jury : Président / Présidente : Marie-José Huguet
• Jury : Examinateurs / Examinatrices : Christophe Lecoutre, Frédéric Koriche, Marie-José Huguet, Thomas Schiex, Cyril Terrioux, Anastasia Paparrizou, Rémi Bardenet
• Jury : Rapporteurs / Rapporteuses : Thomas Schiex, Cyril Terrioux

Mots clés

Mots clés contrôlés

Programmation heuristique

Solveurs (logiciels)

Programmation par contraintes

Mots clés libres

Heuristiques de recherche

Evaluation et analyse

Apprentissage

Solveurs et outils

Optimisation

Heuristic Search

Evaluation and Analysis

Machine Learning

Solvers and Tools

Optimization

Résumé

La programmation par contraintes s'inscrit dans le paradigme de la programmation déclarative : l'utilisateur modélise le problème et les propriétés du résultat souhaité (sous forme de contraintes) sans se soucier de la partie résolution. La résolution est déléguée à un programme générique appelé solveur de contraintes.Les solveurs de contraintes sont composés de plusieurs mécanismes, issus notamment de l'intelligence artificielle, permettant de guider le solveur dans ses choix (heuristique) et réduire efficacement l'espace de recherche (inférence). Les solveurs de contraintes récents sont composés de plusieurs heuristiques dont le choix spécifique, permettant de résoudre efficacement une instance de problème donnée, est actuellement délégué à l'utilisateur.Cette thèse a pour but de rendre les solveurs de contraintes plus autonomes et, ainsi, soustraire toute charge cognitive à l'utilisateur concernant la résolution de son problème. Au cours de la résolution et tout en subtilisant les mécanismes redémarrant régulièrement la recherche, nous nous concentrons essentiellement sur la sélection automatique de l'heuristique guidant le plus efficacement la recherche.En réponse à ce problème de choix séquentiel, nous nous inspirons des politiques répondant à un problème semblable au nôtre : le problème du bandit multi-bras. Les techniques pour y répondre sont issues de l'apprentissage par renforcement et permettent d'explorer un ensemble d'actions tout en exploitant le plus souvent possible l'action la plus profitable.Équipé de cet outils d'apprentissage automatique, nous proposons plusieurs applications au sein des solveurs de contraintes modernes que nous souhaitons rendre plus autonomes. Dans un premier temps, nous appliquons les politiques proposées dans la bibliographie des bandits multi-bras afin d'apprendre la meilleure heuristique parmi un ensemble fourni par le système de résolution. Suite à ces premières applications, nous proposons une nouvelle politique entrant plus en cohérence avec la structure des solveurs actuels. Toujours par le biais des politiques de bandits, nous proposons une nouvelle technique permettant d'adapter la quantité d'aléa nécessaire afin de perturber une heuristique donnée et la rendre plus efficace. Enfin, nous étendons ces précédents travaux au domaine des solveurs de contraintes sous optimisation.

Constraint programming is part of the declarative programming paradigm: the user models the problem and the properties of the desired result (in the form of constraints) without worrying about the solving part. The solving is delegated to a generic program called a constraint solver.Constraint solvers are composed of several mechanisms, notably from artificial intelligence, allowing to guide the solver in its choices (heuristic) and to efficiently reduce the search space (inference). Recent constraint solvers are composed of several heuristics whose specific choice, allowing to efficiently solve a given problem instance, is currently delegated to the user.The goal of this thesis is to make constraint solvers more autonomous and, thus, to remove any cognitive burden from the user regarding the solving of his problem. During solving and while taking into account the mechanism that regularly restarts the search, we focus mainly on the automatic selection of the most efficient heuristic to guide the search.In response to this sequential choice problem, we draw inspiration from policies addressing a problem similar to ours: the multi-armed bandit problem. The techniques to answer it are derived from reinforcement learning and allow to explore a set of actions while exploiting the most profitable one as often as possible.Equipped with this machine learning tool, we propose several applications within modern constraint solvers that we wish to make more autonomous. First, we apply the policies proposed in the bibliography of multi-armed bandits to learn the best heuristic among a set provided by the solving system. Based on these first applications, we propose a new policy that is more consistent with the structure of current solvers. Still using bandit policies, we propose a new technique to adapt the amount of randomization needed to perturb a given heuristic and make it more efficient. Finally, we extend these previous works to the domain of constraint solvers under optimization.