HAL Id: inria-00000044
https://hal.inria.fr/inria-00000044
Submitted on 24 May 2005
HAL is a multi-disciplinary open access archive for the deposit and dissemination of sci- entific research documents, whether they are pub- lished or not. The documents may come from teaching and research institutions in France or abroad, or from public or private research centers.
L’archive ouverte pluridisciplinaire HAL, est destinée au dépôt et à la diffusion de documents scientifiques de niveau recherche, publiés ou non, émanant des établissements d’enseignement et de recherche français ou étrangers, des laboratoires publics ou privés.
Une vision trivaluée pour les problèmes SAT et MAX-SAT
Frédéric Lardeux, Frédéric Saubion, Jin-Kao Hao
To cite this version:
Frédéric Lardeux, Frédéric Saubion, Jin-Kao Hao. Une vision trivaluée pour les problèmes SAT et MAX-SAT. Premières Journées Francophones de Programmation par Contraintes, CRIL - CNRS FRE 2499, Jun 2005, Lens, pp.297-304. �inria-00000044�
Une vision trivaluée pour les problèmes SAT et
MAX-SAT
Frédéri Lardeux Frédéri Saubion Jin-Kao Hao
LERIA, Université d'Angers,
2 Bd Lavoisier,
49045 Angers Cedex 01
{lardeux,saubion,hao}info.u niv- ange rs.f r
Résumé
Danset artilenous proposons un nouveauadre
derésolutionpourlesproblèmesSATetMAX-SAT.Ce
adreintroduitlatroisièmevaleur devéritéindétermi-
né danslebutd'améliorer l'eaitéde larésolution.
Nousavonsadaptél'algorithmedereherheTabouainsi
queWalksatave enouveauadrede résolution.Des
résultatsprometteursontétéobtenusetmontrentl'in-
térêt denotreapprohe.
Abstrat
Theaimofthispaperistoproposeanewresolution
frameworkfortheSAT andMAX-SATproblems whih
introduesathirdtruthvalueundenedinordertoim-
provetheresolutioneieny.Usingthisframework,we
have adapted the lassi algorithms Tabu Searh and
Walksat.Promising results are obtainedand show the
interestofourapproah.
1 Introdution
Le problème de satisabilité (SAT) [5℄ onsiste à
trouveruneaetationsatisfaisantuneexpressionBoo-
léenne.UneinstanedeeproblèmeSATestdondé-
nie par un ensemble de variables Booléennes X =
fx
1
;:::;x
n
g et une formule Booléenne :IB n
! IB.
Cette formule est supposée être en forme normale
onjontive(CNF)(i.e.,uneonjontiondelausesoù
une lause est une disjontion de littéraux 1
).La for-
muleestditesatisables'ilexisteuneaetation(i.e.,
une fontionA:X !IB n
)satisfaisantet nonsatis-
able dans le as ontraire. L'espae de reherhe S
orrespondàl'ensembledetouteslesaetationspos-
sibles.estévidemmentsatisfaitesitoutesseslauses
sontsatisfaites.Danseontexte,leproblèmedelasa-
tisabilitémaximale(MAX-SAT)orrespondàlami-
nimisationdunombredelausesfausses.
Deux lasses de méthodes sont utilisées pour ré-
soudrelesproblèmesSATetMAX-SAT:lesméthodes
exatesetlesméthodesapprohées.
Lesméthodesexatessontapablesdetrouvertoutes
lessolutionspouruneinstanedonnéeou,s'iln'yena
pas,deprouversanonsatisabilité.Cesméthodessont
généralementbaséessur laproédure Davis-Putnam-
Logemann-Loveland[3℄quiexploreunarbrebinairede
reherheen onstruisantinrémentalementles ae-
tations. Elles fournissent de très bons résultats mais
nesontpasappropriéespourleproblèmeMAX-SAT.
D'autres méthodes exates, généralement basées sur
unalgorithmedeBranhandBound(B&B)[2,1,18℄,
ont été développées pour travailler sur le problème
MAX-SAT mais leurs performanes sont souvent li-
mitéespourlesinstanesdegrandes tailles.
Les méthodes approhées sont prinipalement ba-
sées sur la reherhe loale et les algorithmes évo-
lutionnaires. Dans e papier, nous nous intéressons
pluspartiulièrementauxalgorithmesdereherhelo-
alequiontétélargementétudiésparlaommunauté
SAT [15, 14, 17, 10, 8℄. L'exploration de l'espae de
reherhe est réalisée par des mouvements suessifs
d'unélémentàunautregrâeàdesheuristiquesspé-
iques. Le but est de minimiser, sur l'espae de re-
herhe,unefontionretournantlenombredelauses
fausses.Cesalgorithmessontdonnaturellementonçus
pourle problème MAX-SAT et permettent de mani-
pulerdesinstanesdegrandetaille.
l'espae de reherhe quand ela est néessaire (i.e.,
intensierlareherhe)etd'explorerdemanièreplus
largel'espae de reherhe en sedéplaçant entre dif-
férentssous-espaesprometteurs(i.e.,diversierlare-
herhe).Cesaspetssontontrlésgrâeàdespara-
mètresquiassurentunbonompromisentreintensi-
ation et diversiation. Atuellement, es deux no-
tions ne sont pas si lairement dénies. Par onsé-
quent,leréglagedeesparamètresresteundespoints
ruiauxpourlebonomportementdetelsalgorithmes.
Nouspouvonsremarquer quelesméthodes exates
et approhéesn'utilisent pas la même représentation
pourleurespaedereherhe.Leurshybridations[11,
9,12,7,13℄nesontpasévidentespuisquelesméthodes
exates travaillent ave des aetations partielles in-
rémentalement omplétées par un proessus de ré-
solutionalorsque lesméthodes approhéesexplorent
l'ensembledetouteslesaetationspossibles.Uneaf-
fetationpartielleest uneaetationoùdesvariables
ne sont pas enore valuées et peut don être onsi-
dérées omme un ensemble d'aetations omplètes.
D'unpointdevuereherheloale,l'utilisationdees
aetationspartielles peutmeneràdenouveauxpro-
essus dediversiation et d'intensiation. En eet,
ladiversiationde lareherhepeutêtrefaite ense
déplaçantversun plusgrandensemble d'aetations
omplètes,'estàdireenrendantnon dénieuneva-
riabledéjàvaluéealorsquel'instaniationdevariables
nonvaluéesd'uneaetationpartiellepeutêtreonsi-
déréeommeunemanièredesereentrersurunplus
petit espaedereherhe.
L'objetifdeetartileestdedénirunmodèleuni-
forme pour es deux types d'aetations dans lebut
dedénirpréisémentetd'étudierlesméanismesfon-
damentauxde lareherhe loalepour lesproblèmes
SAT et MAX-SAT. Ce adre de travail nous permet
de proposer un nouveau shéma de reherhe loale
quifournitunontrleuniformedelareherheetqui
peutêtreintégrédansdesalgorithmesbien onnusde
reherheloale:lareherheTabouetWalksat.
2 Un Cadre de Résolution Trivalué
Nousproposonsunnouveauadrederésolutionpour
les problèmes SAT et MAX-SAT qui introduit une
troisièmevaleurdevéritéindéterminédanslebutd'amé-
liorerl'eaitédelarésolution.Enutilisanteadre
detravail,lesméthodesdereherheloaleserontéten-
dues an de prendre en ompte les aetations par-
tielles et, en onséquene, plusieurs notions et règles
Dans le ontexte lassique de SAT et MAX-SAT,
l'espaedereherheS estl'ensembledetouteslesaf-
fetationsomplètes.Lafontionobjetiveàmaximi-
serorrespondaunombredelausessatisfaitesdonné
parlafontioneval_standard:
eval_standard: S ! IN
A 7! jfjsat(A;)^2gj
où sat(A;) signie que lalause est satisfaite par
l'aetation A 2 S et jEj est la ardinalité de l'en-
sembleE.
Les mouvementssont lairement les ipspossibles
desvaleursd'uneaetationdonnée.Leipd'uneva-
riable i dans une aetation A est le hangementde
sa valeur de vérité (V (vrai) à F (faux) ou F à V).
Le meilleur ipest séletionné grâe àlafontionde
hoixhoix_standardquiretournelavariabledontle
ipfournit lameilleureamélioration(i.e.,maximise le
nombredelausesfaussesquideviennentvraiesaprès
leipmoinslenombredelausesvraiesquideviennent
fausses).
UnalgorithmedereherheloalenaïfpourSATet
MAX-SATonsiste àséletionnerle meilleur mouve-
ment àhaquepas (en utilisanthoix_standard). Il
s'arrêtesoitquandunesolutionesttrouvéesoitquand
unnombremaximumdepasdereherheest atteint.
Ensuite, il retourne la meilleure aetation trouvée
(parrapportàeval_standard).Desheuristiquesspé-
iques de ontrle peuvent être ajoutées pour amé-
liorer l'eaité de lareherhe telles que la marhe
aléatoireoùd'autresstratégiesdediversiation[14℄.
2.2 Introdutionde laValeur indéterminé
Notrebut iiest defournirunadredetravailuni-
forme pour représenter les aetations partielles et
omplètes.Conernantlesaetationsomplètes,ave
les valeurs lassiques vrai et faux, les règles d'in-
terprétation logique sont bien onnues mais, ave les
aetationpartielles, des variablesnon valuées appa-
raissent.Nousavonsdondéidéd'introduireunetroi-
sièmevaleurdevéritépourlesreprésenter.
Nous ajoutons lavaleurI(indéterminé) et onsidé-
rons l'ensemble des valeurs de vérité T = fI;V;Fg
dansnotreadre3-valué.Cettenouvellevaleurinduit
quelqueshangementsdanslesrèglesd'interprétation
de la logique standard. Tout d'abord, la négationde
haquevaleurde vérité doitêtre redénie: :V = F,
:F =V et :I =I. Ensuite,deux approhespeuvent
être utilisées pour dénir les autres règles: une ap-
proheoptimisteet uneapprohepessimiste.
L'approhe optimiste est la plus ommunément
Une lause est onsidérée indéterminée si auun
deseslittérauxn'estvraietaumoinsl'und'entre
eux est indéterminé. Cette approhe orrespond
auxrèglesdesimpliation suivantes:
V _I !V
F_I !I
I_I !I
L'approhealternativequenousproposonsiiest
une approhe pessimiste qui se fonde sur le fait
qu'une lause est onsidérée omme fausse dès
qu'elle possède unlittéralfaux et auun devrai.
Une lause est indéterminée si tousses littéraux
sontindéterminés.Cetteapproheorrespondaux
règlessuivantes:
V _I !V
F_I !F
I_I !I
Dans e adre, les aetationspartielles n'existent
plus. Nous ne travaillons maintenant qu'ave des af-
fetations trivaluées. Les variablesn'ayantpasdeva-
leurdevéritédanslalogique lassiqueàdeuxvaleurs
prennentlavaleurindéterminé.
Maintenant que le adre de travail est lairement
déni, nous pouvons étudier le omportement préis
desalgorithmesdereherheloaledanseadreave
trois valeursdevérité.
2.3 Transitionsde Reherhe Loale
Nous dénissons un ordre partiel A sur l'ensemble
T tel que I A V et I A F. Dans e ontexte, pour
un problèmedonné ave n variables,notre espae de
reherhe sera l'ensemble T n
. La relation d'ordre A
peutêtrenaturellementétendueàT n
:(x
1
;;x
n )A
(y
1
;;y
n
)sietseulementsi9i;x
i Ay
i
etj;y
j Ax
j .
Nous onsidérons l'ordre partiel (T n
;A) ave le plus
grand élément > = (I;;I). Cette struture peut
maintenantêtreutilisée pour dérirede manièrepré-
ise leomportementdesalgorithmesdereherhelo-
ale. Nous onsidérons un mouvement basi de re-
herhe loale 2
omme une transition A ! A 0
où
A;A 0
2 T n
. Puisque nous ne onsidérons ii que le
voisinagelassique,nousimposons quelestransitions
(x
1
;;x
n ) ! (y
1
;;y
n
) satisfassent9i;x
i 6=y
i et
8j 6= i;x
j
= y
j
. Ce voisinage orrespond àune dis-
tanedeHammingégaleà1entredeuxvoisins,equi
orrespondàlafontionflip.
2.Ave troisvaleurs devérité, leonept deipn'est plus
valide.Nouspréféronsutiliserleoneptdemouvement,pasde
struture desaetations.Leadre 3-valuénousper-
metdemanipuleràlafoislesaetationspartielleset
les aetations omplètes. Comme nous l'avons déjà
mentionné,lesaetationspartiellespeuventêtrevues
ommeune représentationd'un ensemblede pluspe-
tites aetations (parrapport à A).Par onséquent,
la diversiation onsiste à onsidérer des ensembles
plus grands d'éléments de l'espae de reherhe tan-
dis que l'intensiation se reentre sur moins d'élé-
ments.Latransition orrespondàuneexplorationde
niveau quand le nombre de variables indéterminées
reste le même. En matière de ip, une transition de
diversiation rend indéterminée une variable vraie
oufausseetunetransitiond'intensiationrendvraie
oufausseunevariableindéterminée.L'explorationde
niveau orrespond au ip d'une variable vraie (resp.
fausse)àfausse(resp.vraie).
-Diversiation:A!A 0
aveA 0
AA
-Intensiation:A!A 0
aveAAA 0
-Explorationde niveau:A!A 0
aveA6AA 0
et
A 0
6AA
D'un autre oté, nous devons prendre en ompte
l'évaluationdesaetations.L'introdutiondelatroi-
sièmevaleurdevériténousimposederedénirlesfon-
tionseval_standardethoix_standarddelasetion
2.1 puisque le nombre de lauses indéterminées doit
êtreprisenompte.Lanouvellefontiond'évaluation
eval retourne le nombre de lauses vraies mais aussi
lenombredelausesindéterminées.Danseontexte,
une aetation est meilleure qu'une autre si elle sa-
tisfait plusde lauses. Si le nombre de lausesvraies
est égal pour les deux aetations, elle générant le
nombredelausesindéterminéesleplusgrandestonsi-
déréeommelameilleure.
eval: S ! (IN;IN)
A 7! (jfjsat(A;)^2gj;
jfjindetermine(A;)^2gj)
oùindetermine(A;)signiequelalauseest indé-
terminéepour l'aetationA 2 S. Il est évidentque
ette fontion est dépendante du hoixde l'approhe
puisqu'elle retourne le nombre de lauses indétermi-
nées.
Enutilisantettefontion,nouspouvonsdénirSol
,
l'ensembledetouteslessolutionspouruneformule:
Sol
=fAjeval(A)=(k;0);A2T n
gavek=jfj2
gj.
Nousdénissonsl'ordre>
eval
ommel'extensionlexi-
ographique(>;>)del'ordre>surlespairesonstruites
par lafontion eval. Nous pouvonsmaintenantnous
-Amélioration:A!A 0
aveA 0
>
eval A
-Détérioration:A!A 0
aveA>
eval A
0
-Préservation:A!A 0
aveeval(A 0
)=eval(A)
Enutilisantesonepts,unmouvementpeutmain-
tenantêtrearatériséparhaundespointsdevue:
parexemple,unmouvementpeutorrespondreàune
transitiondediversiationet d'amélioration.
Cesnotionssontillustréesdansl'exemple1.Eneet,
dansnotre adre 3-valué,lesméthodes exates et les
méthodesapprohéespeuventêtretouteslesdeuxma-
nipulées.Lesarbresdereherheutilisésparlesproé-
duresdetypeDavis-Putnam-Logemann-Lovelandsont
desensemblesdetransitionsd'intensiationetdedi-
versiationalorsquelesalgorithmesdereherhelo-
alelassiqueseetuentdesensemblesd'améliorations,
dedétériorationsetd'explorationdeniveauauniveau
leplusbas(sansauunevariableindéterminée).
Exemple1:(a_b)^(:a_b)^(a_:b)
diversification
détérioration amélioration
intensification
((1,2);(1,0)) ((1,2);(1,0)) ((2,1);(2,0)) ((2,1);(2,0))
(2,0) (2,0) (2,0) (3,0)
(0,3)
F I I F I T T I
I I
TT
FF FT TF
Fig. 1Le adre de résolution 3-valué.Tousles élé-
mentsdeT n
sontreprésentésparrapportàlarelation
d'ordre A. Une transition de diversiation aroît le
nombre de variables indéterminées alors qu'une tran-
sition d'intensiation le diminue. Dans e shéma,
les aetations omplètes sont en bas et > = (II)
esten haut.Quand lenombrede variables indétermi-
nées reste stable, les éléments sont triés ave l'ordre
>
eval
. Les valuations fournies par la fontion eval
sontdonnéessousforme deouple(v
1
;v
2 )où v
1 (resp.
v
2
)orrespond àl'évaluationde l'aetation ourante
pourl'approheoptimiste(resp.pessimiste).Ceouple
est réduit à un singleton quand v
1
= v
2
. Le meilleur
élément est du oté droit et le plus mauvais du oté
gauhe.Paronséquent,surettegure,lesmeilleures
les ombinaisons possibles pour es transitions issues
desdeuxpointsdevueandeonstruireunproessus
dereherheloalegénéral.
Lebut deeproessusdereherheestd'améliorer
le nombrede lauses vraies. Quande n'est paspos-
sible,ilestpréférabled'améliorerlenombredelauses
indéterminéesetderéduirelenombredelausesfausses.
Nousproposonsunenouvellefontionhoixquiséle-
tionne une variable dont le hangement de valeurde
vérité maximise le nombre de lauses vraies et mini-
mise le nombre de lauses fausses (enaugmentant le
nombredelausesindéterminéessielaestnéessaire).
Maintenant,lesprinipaux omposantspourunal-
gorithmedereherheloaleontétéfournis.Nouspou-
vonsdonétudier leursomportementset leursom-
binaisons.
2.4 EvaluationdesRègles Logiques
Nousvoulonsmesurerleseetsdesrèglesd'interpré-
tationlogiquesprésentéesenpartie2.2surleproessus
de reherhe. Comme dérit préédemment, un algo-
rithmedereherheloale3-valué(3RL)peutmainte-
nantretourneruneaetationpartiellequireprésente
unensemble d'aetations.Pourévaluerlaqualitéde
es aetationspartielles, il est néessaire d'explorer
exhaustivement le sous-ensemble orrespondant an
de trouver la meilleure aetation omplète qui s'y
trouve.Cetteexplorationpeutêtrefaiteparunalgo-
rithmedetypeBranhandBound(B&B)quieetue
unereherheexhaustiveenexplorantunarbredere-
herhedontlaraineestl'aetationpartiellefournie
parl'algorithme3RL.
La Table1 ompareles eetsdesdiérentes règles
logiques. Les tests ont été réalisés sur des instanes
3-SAT aléatoires standards ave 500, 1000 et 2000
variables (F500.nf, F1000.nf et F2000.nf). L'algo-
rithme 3RL utilisé pour es expérienes est un algo-
rithme Tabou3-valué(3TS-BB) qui seraprésenté en
détail au hapitre suivant. 3TS-BB eetue une re-
herhe de 5000 pas et ensuite, pour la dernière af-
fetation partielletrouvée,le nombredevariables in-
déterminées (nb: var: I), le nombre de lauses ave
une,deuxettroisvariablesindéterminées((I;II;III))
et laqualité ((V;I;F) apres3TS-BB)sontmémori-
sés.Pourestimerlaqualitépotentielledel'aetation
partielle trouvéepar3TS-BB,unalgorithmede B&B
estexéutéetfournitlameilleureaetationomplète
((V;F)apresB&B)envaluantàvraioufauxlesva-
riablesindéterminées.Lesrésultatsprésentéssontune
moyennede20exéutions.
LaTable1montre unelaire dominanedel'inter-
prétation pessimiste. La qualité de l'aetation par-