Skip to Main content Skip to Navigation
Conference papers

Apprentissage de Contraintes Globales Implicites

Christian Bessière 1 Remi Coletta 2 Thierry Petit 3
1 COCONUT - Agents, Apprentissage, Contraintes
LIRMM - Laboratoire d'Informatique de Robotique et de Microélectronique de Montpellier
2 ZENITH - Scientific Data Management
LIRMM - Laboratoire d'Informatique de Robotique et de Microélectronique de Montpellier, CRISAM - Inria Sophia Antipolis - Méditerranée
Résumé : Il peut exister de nombreux modèles à contraintes exprimant un problème donné. Une des barrières s'opposant à une diffusion plus ample de la programmation par contraintes est l'expertise importante requise pour concevoir un modèle permettant une résolution efficace d'un problème. Aussi, l'intérêt de la communauté pour la reformulation automatique des modèles à contraintes est croissant. Cet article présente une approche alternative, consistant à apprendre des contraintes implicites d'après des instanciations des variables du problème, solutions et non-solutions. Ces contraintes sont alors ajoutées au modèle afin d'améliorer la résolution. Pour valider l'impact de cette approche, nous proposons un algorithme d'apprentissage de contraintes de cardinalité globale (Gcc). Nous montrons expérimentalement l'intérêt de cet algorithme pour améliorer la qualité des modèles à contraintes.
Complete list of metadatas

https://hal.inria.fr/inria-00000069
Contributor : Christine Solnon <>
Submitted on : Thursday, May 26, 2005 - 10:21:39 AM
Last modification on : Tuesday, October 20, 2020 - 11:03:36 AM
Long-term archiving on: : Thursday, April 1, 2010 - 9:33:06 PM

Files

Identifiers

  • HAL Id : inria-00000069, version 1

Citation

Christian Bessière, Remi Coletta, Thierry Petit. Apprentissage de Contraintes Globales Implicites. Premières Journées Francophones de Programmation par Contraintes, CRIL - CNRS FRE 2499, Jun 2005, Lens, France. pp.249-258. ⟨inria-00000069⟩

Share

Metrics

Record views

409

Files downloads

112