HAL Id: inria-00085805
https://hal.inria.fr/inria-00085805
Submitted on 14 Jul 2006
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.
Traitement des CSP partiellement symétriques
Florent Verrroust, Nicolas Prcovic
To cite this version:
Florent Verrroust, Nicolas Prcovic.
Traitement des CSP partiellement symétriques.
Deuxièmes
Journées Francophones de Programmation par Contraintes (JFPC06), 2006, Nîmes - Ecole des Mines
d’Alès / France. �inria-00085805�
Traitement des CSP partiellement symétriques
Florent Verroust et Ni olas Pr ovi
ILOG - SophiaAntipolis,LSIS- Université PaulCézanne -Aix-Marseille III
fverroustilog.fr, ni olas.pr ovi lsis.org
Résumé
Denombreux CSP ontiennentunmélangede
on-traintes symétriques et asymétriques. Nous
présen-tons une appro he générale quipermet d'appliquerles
méthodesd'éliminationdesymétries onnuesàlapartie
symétrique d'un CSP puisde her herunesolution au
problème entier en intégrant postérieurement les
on-traintesasymétriques. Nousétudionsaussile as
parti- ulierdesproblèmesd'optimisationoùseulelafon tion
de oûtàminimiserempê helessymétries. Nous
mon-trons expérimentalementquedans e ontexte-lànous
pouvonsa élérerlarésolutionde ertainsproblèmes.
Abstra t
Many CSPs ontain a ombination of symmetri al
andasymmetri al onstraints. Wepresentaglobal
ap-proa hthatallowstoapplyalreadyknownmethodsfor
breakingsymmetriesonthesymmetri alpartof aCSP
andthentosear hforaglobalsolutionbyintegrating
af-terwards theasymmetri al onstraints. Then,we fo us
onoptimizationproblemswhereonlythe ostfun tionis
asymmetri al. Weshowexperimentallythatinthis ase
we anspeedupthesear hofsomeproblems.
1 Introdu tion
Letraitementdessymétriesdanslesproblèmesde
sat-isfa tion de ontraintes (CSP) est un sujet de plus
en plus étudié depuis une bonne dizaine d'années.
Lorsqu'un CSP ontient de nombreuses symétries,
éviter d'explorer les larges portions de l'espa e de
re her hequi ontiennentdesinstan iationspartielles
équivalentespermet d'obtenirdesgains detempstrès
importants. Le formalismeCSP autorisequ'une
on-trainte soit dénie omme une relation quel onque
entre plusieurs variables, plus pré isément omme
n'importe quel sous ensemble du produit artésien
de leurs domaines. En onséquen e, très peu de
ontraintes sont sus eptibles a priori d'asseoir des
symétries. Cependant, les problèmes pratiques
on-tenant des symétries sont loin d'être négligeables
même s'ils sont tout de même minoritaires. En fait,
il s'avère qu'un nombre important de CSP
ontien-nent un mélange de ontraintes symétriques
( on-traintes d'égalité, de diéren e, somme de plusieurs
variables égale à une onstante, et ) et de
on-traintesasymétriques. CesCSPsontdon globalement
asymétriquesetnepeuventbéné ierdire tementdes
nombreuseste hniquesdetraitementdesymétries
pro-poséesjusqu'àprésent. L'obje tif prin ipalde et
ar-ti leest deproposeruns hémagénéraldetraitement
de es CSP asymétriques ontenant des problèmes
partiels symétriques et d'étendre ainsi l'appli ation
deste hniques existantes detraitementde symétries.
Cette idée de séparer le traitement des ontraintes
symétriquesde elui des ontraintes asymétriquesest
apparueré emmentdans[4℄etdans[3℄.
En se tion 2, nous illustrons l'intérêt de ette
ap-pro heà traversdeux exemples de CSP simples. En
se tion 3, nous rappelons plusieurs notions sur les
groupesdesymétriesquinoussontutilespour
présen-ter formellement notre s héma général de résolution
en se tion 4. Puis, nous traitons en se tion 5 du
as plus spé ique d'un ertain type de problèmes
d'optimisationoùnotreméthodeestsus eptibled'être
parti ulièrement e a e. Nous l'expérimentons sur
deuxtypesdeproblèmesense tion6.
2 Exemples introdu tifs
Nousallons ommen er pardonnerune idéegénérale
de notre s héma de résolution à travers deux
exem-ples simples. Dans le premier, nous onsidérons un
CSP P à 3 variables
x
,y
etz
, dénies ha une surle même domaine{1, 2, 3}. Le CSP ne ontientque
deux ontraintes :
xyz
= 6
etx
+ 2y + 3z = 10
. Ceproblèmen'a qu'uneseulesolution :
x
= 3
,y
= 2
etz
= 1
. Ce problèmene ontientau unesymétrie. Latailledel'espa edere her heàexplorerestde
3
3
= 27
ombinaisonsdevaleurs.
Considérons maintenant le problème P', qui est le
mêmeproblème queP, maisqui negarde quela
pre-mière ontrainte :
xyz
= 6
. Ce problème ontienttouteslessymétriesdevariablepossibles,quifontqu'à
partird'une solutionquel onque, on peut en obtenir
uneautreenpermutantdesvariables. Enl'o urren e,
l'ensemble des6 solutionsde P' est
x
= 1
,y
= 2
etz
= 3
ainsiquen'importelaquelledesespermutationsdevariables(é hangeentre
x
ety
,é hangeentrex
etz
ou ompositionsde esdeuxé hanges). Uneméthode
dere her hepermettantl'éliminationdesymétriesest
apable de déterminer une solution très rapidement.
Par exemple, les te hniquesajoutant des ontraintes
brisant les symétries avant la résolution (par
exem-ple [7℄)permettraient de poser les ontraintes
x < y
et
y < z
qui briseraient les symétries de façon à equ'onn'obtiennequ'uneseulesolution,dite anonique
:
x
= 1
,y
= 2
etz
= 3
. I i,à ausedel'ajoutdeon-traintes brisantles symétries, une simple appli ation
dela ohéren ed'ar permettraitd'ailleursderéduire
les domaines des variables à la valeur de la solution
nale(
x < y
permetd'éliminer1dudomainedey
et3dudomainede
x
,puisy < z
permet d'éliminer1et2dudomainede
z
,et ).Nous savons que l'ensemble des solutionsde P est
in lus dans eluide P'. Pourobtenir une solutionde
P, il sut d'énumérer les solutions de P' et de
véri-ersiellesrespe tentla ontrainte
x
+ 2y + 3z = 10
.Enumérerles solutionsde P', 'est essayertoutes les
permutationsdevariablesdelasolution anonique. Le
gainentemps quenousattendonsest basésur lefait
que l'espa e de re her he de P n'est plus l'ensemble
des ombinaisonsdevaleursdesvariables(i i,detaille
3
3
=
27) mais l'ensembledes solutions de P' (i i, de
taille 3!
=
6), qui est bien plus petit. Pour quenotre méthode soit e a e, il faut que le temps de
al uldessolutions anoniquesdeP'ajoutéautemps
d'énumération de leurs symétriques soit plus ourt
qu'unerésolution lassiquedeP.
Notredeuxièmeexempleestune versionsimpliée
1
duproblèmede Vellino[9℄. L'obje tifde e problème
est deremplir
k
onteneursde diérentstypes (bleu,rouge ou vert) ave une liste de omposants de
dif-férents types (verre, plastique, fer, bois ou uivre).
Chaque onteneur peut a ueillir
c
omposants, quelque soit le type du onteneur ou du omposant. Le
pla ement des omposants dans les onteneurs doit
respe ter un ertain nombre de ontraintes : tous
les onteneursn'a eptentpastouslestypesde
om-1
Dansleproblèmeoriginel, haquetypede onteneuraune
apa itéquiluiestpropreetlavaleurde
k
n'estpasdonnée,il fautlaminimiser.posants ou n'en a eptent qu'un nombre limité,
er-tains omposantsne peuvent pasêtre simultanément
présentsdans un onteneur, et . On peut modéliser
leproblèmesouslaformed'unCSP ommesuit. Les
variablessont,d'unepart,
t
1
,...t
k
,dedomaine{rouge
,vert
,bleu
},oùt
i
représentela ouleurdui
e
onteneur
et,d'autrepart,
c
1,1
, ...,c
1,c
,c
2,1
,...,c
k,c
,k
× c
vari-ables de domaine {rien
,verre
,plastique
,f er
,bois
,cuivre
}, oùc
i,j
représente lej
e
omposant présent
dansle
i
e
onteneur. Apartles ontraintesexpli ites
mentionnées plus haut,nous avonsles ontraintesde
ardinalité suivantes : pour haque type
x
deom-posants, le nombre total de omposants requis doit
être égalà
r
x
:|
{c
i,j
=
x:1 ≤ i ≤ k, 1 ≤ j ≤ c
}| =
r
x
.Si nous ne onsidérons que es ontraintes de
ar-dinalité, nous sommes fa e à un problème ontenant
beau oup de symétries
2
puisqu'il n'y a plus de
on-traintes entre les types de onteneurset les typesde
omposants. Nous avons des symétries de valeurs
: toute valeur d'une variable
t
i
peut être hangéeparn'importequelle autre(la ouleurdes onteneurs
est indiérente). Nous avons des symétries de
vari-ables : les variables
c
i,j
sont permutables entre elles(l'empla ementd'un omposantestindiérent). Nous
pouvons don résoudre très e a ement e problème
partielsymétriqueenn'engénérantqu'uneseule
solu-tion anonique:
•
on utilise une seule ouleur pour tous leson-teneurs.
•
onimposeunordretotalsurlesvariablesc
i,j
etles typesde omposants(verre
<plastique
<f er
<bois
<cuivre
<rien
). Onae tealors lesvari-ables
c
i,j
ainsi : on ae te lesr
verre
premièresvariables
c
i,j
àverre
, lesr
plastique
suivantes àplastique
, et , et, une fois tous les omposantspla és,onae telesvariablesrestantesà
rien
.Nous savons maintenant que si une solution à notre
problème omplet existe, e seraune permutationde
valeurs des variables
t
i
et une permutation desvari-ables
c
i,j
. Nouspouvonsdon énumérer espermuta-tionsenvériantles ontraintesde ompatibilités
en-tretypesde onteneursettypesde omposants.Notre
espa e de re her he est alors d'emblée réduit ar le
nombre depermutationsde la solution anonique du
problèmepartielestbieninférieuraunombrede
om-binaisonsdevaleursàae terauxvariables(
6
k.c
×3
k
).
Avantdeprésenterles hémaderésolutiondansun
adre général, nous allons rappeler quelques notions
utiles sur les symétries, les groupes de symétries et
leurexploitation.
2
Ilyenadéjàun ertainnombresiongardetoutesles
3 Rappel de dénitions
Les dénitions et notations que nous rappelons i i
sontusuellesetpeuventparexempleseretrouverdans
[8℄. Au sens mathématique, un groupe est un
en-semble G stru turé par une opération binaire
◦
por-tant sur les éléments de et ensemble, qui respe te
les propriétésde fermeture(lerésultat del'opération
◦
sur deux éléments de G est un élément de G),d'asso iativité,d'élémentneutre(l'élémentneutreest
noté
e
)etd'inversion(toutélémentdeGauninverse).Hestunsous-groupedeG, equ'onnoteH
≤
G,siHestunsous-ensembledeGmunidelamêmeopération
binaire
◦
etqueHformelui-mêmeungroupe.Unepermutationestunebije tiond'unensemblesur
lui-même. Nousreprésentonsunepermutationparun
ensemblede y lesdelaforme(
ω
1
ω
2
...ω
k
)qui signi-eque∀ω
j
,ω
j+1
estl'imagedeω
j
etqueω
1
estl'imagede
ω
k
. Ex: étantdonnéelapermutation(124)(35),lesimagesrespe tivesde1,2,3,4et 5sont2,4,5,1
et 3. Nouspouvonsappliquerdespermutationsàdes
ensemblesoudessuitesd'éléments. Ex: étantdonnée
la permutation (1 2 4)(3 5), l'image du ouple (1,5)
est (2,3),l'imagede(1,2,3,4,5)est(2,4,5,1,3),l'image
del'ensemble{2,3,4}est{1,4,5}.
Informellement, une symétrie est une permutation
desélémentsd'unensemble
Ω
quipréservelesrelationsportantsurlesélémentsde etensemble. L'ensemble
des symétries de
Ω
forment ungroupeG,l'opérationbinaire
◦
étantla omposition (desymétries). Onditque G agit sur
Ω
. Pour éviter ertainesambiguïtés,on appelle points les éléments de
Ω
et on réservehabituellement le terme élément aux éléments de G.
Si
σ
∈
G, etω
∈ Ω
, on note (de façon standard)ω
σ
l'imagedupoint
ω
parla symétrieσ
. Plutt qued'é rire
σ
1
◦ σ
2
(aveσ
2
devants'appliqueravantσ
1
), onabrègeparσ
1
σ
2
, ar◦
estlaseuleopérationpossi-bleentredeuxsymétries.
Dénition 1 Mi rostru tured'unCSP
La mi rostru ture (
Ω
, A) d'un CSP est un(hy-per)graphedont haquesommetde
Ω
orrespondàuneae tation d'une de ses variables ave une valeur de
son domaine et dont haque (hyper)arête de A
orre-spond à un
k
-uplet de valeurs autorisé par uneon-trainte d'arité
k
.Dénition 2 Symétriede CSP
Soit(
Ω
,A)lami rostru tured'unCSP.Unesymétriede CSP est une permutationde
Ω
qui, appliqué à A,laisse Ain hangé.
Lessymétriesquenoustraitonssontàprendredans
le sens le plus général possible. Nous ne nous
re-streignons ni aux symétries de variables ( onserv
a-tiondesvaleursd'uneinstan iationmaispasdes
vari-ables) ni aux symétries de valeurs ( onservation des
variables d'une instan iation mais pas des valeurs) :
appliquéeàuneinstan iation(partielleou omplète),
l'ensemble des valeurset des variables peut hanger.
Cette dénition orrespond à la symétrie syntaxique
de [1℄ ou symétrie de ontraintes de [2℄. Le groupe
G des symétries du CSP agit sur
Ω
en préservant larelationA.
Lagure1présente notammentune grille
4 × 4
de16 points. Chaque point orrespond à l'ae tation
d'unevaleuràunevariablemaisnousn'avonspas
be-soindesavoirlesquelspourappliquerlesméthodesque
nous allonsprésenter. Ce pourrait être une grille du
problème des 4 dames à pla er sur un é hiquier (et
on aurait les points 1, 2, 3, 4, 5, et orrespondant
auxae tationsde variables
x
1
= 1
,x
1
= 2
,x
1
= 3
,x
1
= 4
,x
2
= 1
, et )ou àn'importe quel autre CSPdont lasomme des tailles des domaines est 16 (CSP
ave uniquementdeuxvariablesdedomainesdetaille
4ou huit variables booléennes, et ) et qui possèdent
lesmêmessymétries.
Dénition3 Orbite
L'orbite
ω
G
du point
ω
d'un ensembleΩ
sur lequelagit un groupe G est
ω
G
=
{
ω
σ
:
σ
∈
G},'est-à-direl'ensemble desimagesde
ω
par appli ation d'unepermutationde G.Onpeutaussi généraliserla notion
d'orbite à un ensemble
∆ ⊆ Ω
:∆
G
= {{ω
σ
: ω ∈
∆} : σ ∈ G}
.Ex : dans l'exemplede lagure1,
1
G
=
{1, 4,13, 16},2
G
=
{2, 3,5, 8, 9,12, 14, 15}, {1, 2}G
=
{{1, 2}, {1,5}, {3,4},{4, 8},{9, 13},{13,14},{12,16}, {15,16}}.Dans le adre de et arti le, nous pourrons avoir
aaire à l'orbite d'un sommet du graphe de la
mi- rostru ture( 'est-à-dired'uneae tationdevariable
deCSP) ouàl'orbited'uneinstan iationpartielle ou
d'unesolutiondeCSP,quiimpliquentplusieurs
ae -tationsdevariables. Si I={
ω
1
,ω
2
, ...,ω
i
}estunein-stan iationpartielleou omplètedesvariablesduCSP
alorsl'ensembledesinstan iationssymétriquesI
G
est {Iσ
:σ
∈
G}, 'est-à-dire{{ω
σ
1
,ω
σ
2
,...,ω
σ
i
}:σ
∈
G}. Enparti ulier,siIestunesolutionduCSPalorsIG
ne
ontientquedessolutions(symétriques),tandisquesi
I n'est pas une solution alors I
G
ne ontient au une
solution.
Dénition4 Générateursde groupe
Les générateurs d'un groupe G onstituent un
sous-ensemble H des éléments de G qui permettent, en
se omposant un ertain nombre de fois entre eux,
d'obtenirtouslesélémentsdeG.OnlenoteG=<H>.
Ex : le groupe des 8 symétries d'une grille (voir
gure1)peutêtregénéréàpartirde ompositionsdes
deuxgénérateurssuivants: laréexionverti ale
γ
1
etlaréexion diagonale
γ
2
. L'ensembledes 8symétriespeuts'exprimerainsi:
e
(l'identité),γ
1
,γ
2
,γ
2
γ
1
,γ
1
γ
2
,γ
2
γ
1
γ
2
,γ
1
γ
2
γ
1
etγ
1
γ
2
γ
1
γ
2
.5
1
2
3
4
6
7
8
9
10
11
12
13
14
15
16
1
4
2
5
8
14
6
7
13
16
10
3
9
11
12
15
γ1
γ2
γ1
γ1
γ2
γ1
γ1
γ2
γ1
γ2
γ2
γ1
γ2
γ1
Figure1: Unegrille
4 × 4
etsongraphed'orbites.Ω =
{1,2,...,16}. G=<{
γ
1
,γ
2
}>aveγ
1
=
{(14)(23)(58)(67)(912)(10 11)(1316)(14 15)} et
γ
2
=
{(25)(39)(413)(710)(814)(1215)}.
Unepropriétéimportantedel'ensembledes
généra-teurs est que son ardinal est borné par une
fon -tionpseudolinéaire de
|Ω|
. Ce i est àrappro herduardinalmaximal d'un groupe, qui est
|Ω|!
. Si nousobtenonslasolutiond'un CSPet quenous disposons
expli itement du groupe de symétries du CSP, nous
pouvonsobtenir ha unedessolutionssymétriquesen
lui appliquant une fois haque symétrie du groupe.
Cependant, mémoriser ha unede essymétriespeut
ex éder les apa ités d'une ma hine si le groupe est
tropgrand. Par ontre,lataillemodéréedel'ensemble
des générateurs d'un groupe nous permet de
mé-moriser le groupe en ompréhension et de générer
toutes les solutions équivalentes en appliquant de
touteslesmanièrespossiblesunesu essionde
généra-teursàlasolutiontrouvée.
Dénition5 Stabilisateurparpoint
Le stabilisateur parpointG
(∆)
de∆ ⊆ Ω
estlesous-groupeG
(∆)
= {σ ∈ G : ∀ω ∈ ∆, ω
σ
= ω}
, 'est-à-dire
l'ensemble des symétries de G qui laissent xes tous
lespointsde
∆
.Ex: dansl'exempledelagure1,G=<{
γ
1
,γ
2
}>, G(1)
=
<{γ
2
}>,G(1,2)
={e
}.Il est possible de représenter en ompréhension
un groupe de permutations G grâ e à une base
B=(
β
1
, ..., β
k
)
,quiestunesuitedepointsdeΩ
. BestunebasepourGsil'uniquestabilisateurparpointde
Best l'identité, i.e : G
(B)
={
e}
. La base Bdénit alorsla haînedestabilisateursparpointsuivante :G=G
[1]
≥ G
[2]
≥ ... ≥ G
[k]
≥ G
[k+1]
= {e}
où G
[j]
= G
(β
1
,...,β
j−1
)
. Cette base permet dedénirlesélémentsdeGqui générentsu essivement
G
[1]
,...,G
[k+1]
. Grâ e par exemple à l'algorithme de
S hreier-Sims [8℄, on peut onstruire un ensemble de
générateurs {
γ
(j)
i
:1 ≤ j ≤ k
,1 ≤ i ≤ t
j
}deG,ap-peléensemblede générateursforts,detellefaçonque:
G
(β
1
,...,β
h−1
)
=<{γ
(j)
i
:h
≤ j ≤ k
,1 ≤ i ≤ t
j
}>En d'autres termes, les générateurs
γ
(j)
1
, ..., γ
(j)
t
j
lais-sentxesles pointsβ
1
,...β
h−1
mais paslepointβ
h
.Un outiltelqueNauty[5℄permetd'obtenirunebase,
une haîne de stabilisateurs et ses générateurs forts
à partir d'un graphe. Nous pouvons ainsi obtenir
automatiquement une représentation ompa te du
groupedesymétriesd'unemi rostru turedeCSP.
Dénition6 Graphed'orbites
Un graphe d'orbites est un graphe orienté dont les
sommets sont les points de
Ω
. Quels que soient lessommets
i
etj
,ilexiste unar (i
,j
),etilestétiquetéγ
,ssij
= i
γ
et
γ
estungénérateurde G.Grâ eàungraphed'orbites, ertainesquestionssur
lesgroupesdepermutationspeuventserameneràune
question sur les graphes. Par exemple, les sommets
d'une omposante onnexed'ungraphed'orbites
on-stituentuneorbite( fgure1).
4 S héma général de résolution
ConsidéronsunCSP,appeléP, ontenant
n
variables,dontlesdomainessontdis retsetdontles ontraintes
sontd'aritéquel onque. On partitionnel'ensemble C
des ontraintesendeuxensemblesC
sym
etCreste
.Ap-pelons P
sym
le CSP qui orrespond au problème Pauquelonenlèveles ontraintesdeC
reste
pourneon-serverque ellesdeC
sym
.Pourquenotres hémaderésolutionaitunintérêt,il
faut hoisirC
sym
detellemanièrequePsym
ontiennedessymétries. Enpratique,laplupartdes ontraintes
ontleursémantiqueetilestfa iledesavoirsielles
in-duisentisolémentdessymétries. Parailleurs,dans[6℄,
des méthodes générales sont proposées pour agréger
es ontraintes et en avoir une représentation sous
formedegraphedontonpeutdéterminerlessymétries.
Ilyadon beau oupde aspratiques où ette
bipar-tition de ontraintes est fa ile à déterminer, voire à
automatiser.
Lare her hed'unesolutiondeP sefaitd'unepart
en her hantdessolutions anoniquesdeP
sym
,d'autrepartenexplorantl'orbitede haquesolution anonique
deP
sym
pourytrouveruneinstan iationquirespe teles ontraintesdeC
reste
.Pour résoudre P
sym
, nous pouvons utiliseronnue. Il nous faut alors modier l'algorithme
de façon à e que dès qu'une solution anonique I
de P
sym
est trouvée, on explore l'orbite de I pourtrouverune instan iation qui respe te les ontraintes
de C
reste
. S'il y en a une, on s'arrête ar 'est unesolution de P. Sinon, on ontinue la re her he de
nouvelles solutions anoniques de P
sym
. Ce s hémade résolution a été ré emment proposé dans [3℄ mais
il n'y est dé rit au un moyen on ret et e a e de
par ourir l'orbite. C'est e quenous allonsprésenter
maintenant. On peut envisager une exploration de
l'orbitedeIquisoitee tuéedemanièresystématique
ou bien de manière in omplète(en prenant le risque
demanquerunesolution).
4.1 Re her he lo aledans uneorbite
Lorsquel'orbited'unesolution anoniquedeP
sym
estgrande, on peut envisager de n'en explorer qu'une
partie grâ e à une méthode de réparation lo ale.
Or, nous pouvons très fa ilement adapter n'importe
quelleméthode(Min- oni ts,re her hetabou,re uit
simulé, et )en onsidérantquelevoisind'une
instan- iation omplètenerésultepasdelamodi ationdela
valeurd'uneseulevariable maisde l'appli ationd'un
générateur. Ainsi, le voisinage d'une instan iation
omplète
I
est{I
γ
:
γ
∈
H}siG=<H>. L'évaluationdel'instan iation omplètesefaiten omptantle
nom-brede ontraintes violéesdansC
reste
.On peut guider la re her he grâ e à une
heuris-tique de hoix de générateurs. La première
heuris-tiquevenantnaturellementàl'espritest ellequi
séle -tionneenpremierlegénérateurquiamélioreleplusle
oût de la solution. Une deuxième heuristique plus
évoluée hoisitparmilesgénérateursaméliorantla
so-lution elui qui stabilise le plus de points et, en as
d'ex-aequo, eluiaméliorant le plusla solution. Une
telleheuristiqueaméliorelasolutionenapportantune
modi ationlaplus lo alepossible( elle portant sur
les points non xés), se rappro hant de e que fait
une re her he lo ale traditionnellement. Lapremière
heuristiqueest ellequiamélioreleplusrapidementle
oûtmaiselleestlesus eptibled'atteindrerapidement
unminimumlo al. Par ontre,lase ondeheuristisque
avan e plus prudemment en ee tuant des
modi a-tions les plus indépendantes les unes des autres an
de ontinuerd'améliorerlasolutionlepluslongtemps
possible.
4.2 Explorationsystématique d'uneorbite
Si maintenantnous voulonsénumérertoutes les
solu-tions symétriquesd'une orbite de solution anonique
de P
sym
, il faut être apable de retrouver toutes lessymétries dugroupeG dela mi rostru turede P
sym
àpartirdesonensembledegénérateurs.
Une méthode ouramment utilisée pour énumérer
toutes les permutations de G est d'ee tuer une
re her he arbores ente où à haque n÷ud de l'arbre
se trouve une permutation. On obtient tous les ls
d'unn÷udenappliquant ha undesgénérateursàla
permutation. On mémorise toutes les permutations
au fur et àmesure qu'on les génèretout en vériant
ha une poursavoirsi on l'avait déjà dé ouverte. Si
'est le as, on abandonnela bran he (onba ktra ke
si 'estunere her heenprofondeurd'abord). Legros
in onvénientde etteméthodeestla omplexitéen
mé-moire, qui est elle del'ordre(lenombre d'éléments)
du groupe, dans le pire des as égal à
|Ω|!
. Il estné essairedemémorisertouteslespermutationspour
la raison suivante. Chaque permutation de G peut
s'exprimer omme étant la omposée de générateurs
deG souslaforme d'unmot
a
1
a
2
...a
m
, où haquea
i
estsoitungénérateur,soitsoninverse. Or,unemême
permutationpeuts'exprimersouslaformedeplusieurs
motsdiérents. Dansl'exempledelagure1,le
demi-tour peut se représenter par les mots
γ
1
γ
2
γ
1
γ
2
ouγ
2
γ
1
γ
2
γ
1
. Ilest fa ileet peu oûteuxen mémoiredegénérertouslesmotsd'une ertainelongueur. Anotre
onnaissan e,iln'existepasd'autreméthodegénérale
permettantd'éviter degénérerplusieursfoislamême
permutation (sous la forme de mots tous diérents)
que elle qui al ule la permutation orrespondant à
haquemotet maintientlalistedetoutes les
permu-tationsdéjàgénérées.
Comme l'orbite d'une solution est potentiellement
tropgrande pourêtre mémorisée,il nous faut quand
même nous résigner à énumérer des mots, même si
ça implique de générer plusieurs représentants d'une
même symétrie. Cependant, notre but n'est pas de
générertouteslespermutationsd'unesolution
anon-iquedeP
sym
maisuniquementunepermutation dontl'imageestunesolutiondeP(ie,quirespe teles
on-traintes de
C
reste
). Il nous faut en fait trouver unmoyendegénérerlemoinspossibledepermutations.
Arbrede permutations
Considérons un groupede permutations G, une base
(
β
1
, ..., β
k
)
de G et ses générateurs fortsΓ
={γ
(j)
i
:1 ≤ j ≤ k
,1 ≤ i ≤ t
j
}, où le groupe induitpar
{γ
i
1
, ..., γ
t
i
i
, ..., γ
k
1
, ..., γ
t
k
k
}
estG
[i]
= G
(β
1
,...,β
i−1
)
, le stabilisateur de(β
1
, ..., β
i−1
)
. Toute permutationva bouger un ertain nombre de points et en laisser
ertains xes. Grâ e à l'emboîtement des
stabilisa-teurs déterminé par la base ainsi que du
partition-nement de ses générateurs forts, nous pouvons
tou-jours dé omposer une permutation en plusieurs
mutationsnebougeantqu'unepartiedespoints. Plus
pré isément, toute permutation peut s'exprimersous
laforme
σ
1
σ
2
...σ
k
,où haqueσ
i
est unepermutation( omposée de plusieurs générateurs) qui bouge
β
i
etéventuellementd'autrespointsmaisquilaissexesles
points
β
j
,∀j < i
. Les permutationsσ
i
sont ellesdu stabilisateur G
(β
1
,...β
i−1
)
qui bougentβ
i
. Toutepermutation
σ
i
peut don s'exprimer sous la formede ompositions de générateurs de l'ensemble {
γ
(j)
h
:i
≤ j ≤ k
,1 ≤ h ≤ t
j
}. Enumérerl'orbited'unesolu-tion anonique en lui appliquanttoutes les
permuta-tionsdeGvaalors onsisteràee tuerunere her he
arbores ente en profondeur d'abord. On part de la
solution anonique et on lui applique toutes les
per-mutationsdelaforme
σ
1
(y omprisl'identité),puisàha uned'entre ellesonapplique toutesles
permuta-tionsdelaforme
σ
2
, et , jusqu'àσ
k
. L'ensemble des feuillesdel'arbredere her hereprésentel'orbitedelasolution anonique. Ilnous restemaintenant à
expli-quer ommentdéterminertoutes lespermutations de
laforme
σ
i
.Considéronslegraphed'orbitesdeG.Tout hemin
dans e graphe ommençant par
β
i
est étiqueté parune suite de générateurs qui forment un mot qui,
d'unepart, orrespond àune permutation qui bouge
β
i
, d'autrepart, ommen eparungénérateurappar-tenant à {
γ
(i)
h
:1 ≤ h ≤ t
i
}. L'ensemble de eshemins orrespond don aux mots représentant les
permutationsquibougent
β
i
. Simaintenantonretiredu graphe d'orbites tous les ar s dont l'étiquette se
retrouvesur unar dontune extrêmité faitpartie de
l'ensemble{
β
1
,β
2
, ...β
i−1
},l'ensemble des heminsommençant par
β
i
qui restent sont euxorrespon-dantauxpermutationsqui laissentxeslespointsde
{
β
1
,β
2
,...β
i−1
}. Ilsreprésententlesmotsdelaformeσ
i
quenous her hions.Lagure2montre l'arbrede re her hedans le as
oùl'ensemble depoints{1,2,14}est unensemblede
pointsdonton her hel'orbite.
Choixde labase
L'intérêtd'avoirunensembledegénérateursforts
on-struità partird'une base est quenous ne xons pas
touslespointsà haquefoisquenousdes endonsd'un
niveau dans l'arbre de re her he. Or, un point
or-respond àl'ae tation d'une variable. Nous sommes
don sûrsque ettevariablene hangeraplusdevaleur
dans le sous-arbre de re her he où son point a été
xé. Remarquons qu'à haque niveau de l'arbre de
re her he, le fait de xer un point entraîne souvent
la xation d'autres points. Sur le graphe d'orbites
de
G
(1)
de la gure2, onpeut onstater quexer lepoint1aaussixélespoints6,11et16. La
onnais-{1, 2, 14}
{1, 2, 14}
{4, 3, 15}
{16, 12, 9}
e
{16, 15, 3}
{16, 12, 9}
{13, 9, 12}
{4, 3, 15}
{1, 5, 8}
{1, 2, 14}
e
e
e
e
1
4
2
5
8
14
6
7
13
10
3
9
16
11
12
15
{4, 8, 5}
{4, 8, 5} {13, 14, 2}
1
4
2
5
8
14
6
7
13
16
10
3
9
11
12
15
γ1
γ2
γ1
γ1
γ2
γ1
γ1
γ2
γ1
γ2
γ2
γ1
γ2
γ1
γ2
γ2
γ2
γ2
γ2
γ2
γ1
γ2γ1
γ1γ2γ1
γ2
γ2
γ2
γ2
Figure 2: A droite, l'arbre de re her he générant
l'orbite de {1, 2, 14}. A gau he, deux graphes
d'orbites. Celuiduhautestlegraphed'orbitesdeGet
permet degénérerles4débutsdepermutations dela
forme
σ
1
dupremierniveaudel'arbre. Celuidubasest legraphed'orbitesdeG
(1)
etpermetdegénérerlesnsde permutations de laforme
σ
2
dudeuxième niveau.Lafeuille{4,8,5}permetdedéterminerqu'enlui
ap-pliquantla permutation
γ
2
γ
1
e
= γ
2
γ
1
on retrouvela ra inedel'arbre{1,2,14}.san edel'ensembledesvariablesdontonsait qu'elles
ne hangeront plus de valeur nous permet de tester
les ontraintes de
C
reste
(ou d'appliquer desmé an-ismes de ltrage de domaines) et de ba ktra keren
asd'in onsistan esansavoiràexplorerlesous-arbre
de re her he. Ba ktra keren profondeur
i
nousper-metdenepasexaminerlesous-arbre ontenanttoutes
lespermutationsde laforme
σ
i+1
...σ
k
permettantdeompléterlapermutation
σ
1
...σ
i
àlaquellenousétionsarrivés. Lataille de labaseest égaleàlaprofondeur
maximale de l'arbre, 'est-à-direau nombre d'étapes
où on peut tester ertaines ontraintes avant qu'une
permutation de la forme
σ
1
σ
2
...
soit omplète. Enonséquen e, il faut faire en sorte de hoisir la base
qui ontientleplusdepoints, aronaplussouventla
possibilitéd'éliminerdessous-arbres orrespondantà
des omplétionsdepermutations.
Filtrage
Parailleurs,l'examend'ungraphed'orbitespermetde
onnaître l'ensemble des valeursae tables à haque
variable, 'est-à-dire son domaine de valeurs
possi-bles. L'union des orbites des points d'une solution
représente les points qui peuvent apparaîtredans les
solutions symétriques. Certains points ne font
par-tie d'au une de es orbites et onpeut don les
élim-iner des domaines des variables. Ex : si l'ensemble
de points {1, 2, 14} (gure 2) est une solution d'un
CSP alors les points 6, 7, 10 et 11 ne sont pas
at-teignables parune permutation et peuvent don être
se ompléterà haquefoisqu'onprogressedansla
pro-fondeur de l'arbre de re her he. En eet, le graphe
d'orbitesperddesar s(puisquedespointssontxés)
etdenouveauxpointsdeviennentinatteignables. Ex:
aun÷uddeprofondeur1del'arbredere her hedela
gure2 ontenantl'ensembledepoints{1,2,14},nous
pouvons en oreéliminer lespoints4, 13, 3,9, 12, 15
et 16quisontdevenusinatteignablesvialespoints1,
2ou14. Evidemment,l'éliminationd'unevaleurdans
un domaine par e moyen peut permettre d'éliminer
d'autres valeurs grâ e aux ontraintes de
C
reste
parappli ation des te hniques lassiques de propagation
( onsistan e d'ar , et ). De façon omplémentaire,
l'élimination d'une valeur par ltrage de ontraintes
de
C
reste
peutéliminerdespointsdugraphed'orbiteset don xer d'autres points. Ex : si on onsidère
le n÷ud de l'exemple pré edent, éliminer par
propa-gation de ontraintes le point 5 du graphe d'orbites
(du deuxième niveau) xe le point 2. On ne peut
don plus appliquer de permutation à {1, 2, 14}, il
devientinutilededévelopperlesous-arbreàpartirde
e n÷ud. L'intera tionentre leltragedes domaines
parexamendugraphed'orbitesetparlemaintiende
formes de ohéren es lo ales est omplexe à erner.
Son étudedépasse le adrede et arti lemais
mérit-eraqu'ons'yatta hesionveutrendrelepluse a e
possiblel'exploration d'uneorbite desolution
anon-iquedeP
sym
.4.3 Complexitédelare her hedans uneorbite
Le gain detemps quenous pouvons espérer est basé
surlefaitquelatailledel'espa edere her hedePest
supérieureouégaleàlasommedestaillesdetoutesles
orbitesdesolutions anoniquesdeP
sym
. En eet, esorbites ontiennent l'ensemble des solutions
( anon-iques ounon)de P
sym
, quiest potentiellementbeau- ouppluspetitquel'espa edere her hedeP(quiest
l'ensembledes ombinaisonsdevaleursduproblème).
Iln'estpaspossibled'évaluerdansun adregénéral
le rapport de taille entre l'espa e de re her he de P
et la taille d'une orbite d'une solution anonique de
P
sym
. Maisnouspouvonslefairepourdes asparti -uliers. Nousallonslefairedansle asoùnousn'avons
aaire qu'à des symétries de variables. Dans e as,
les solutionssymétriques de l'orbite ontiendront les
mêmesvaleursmaisdistribuéesdiéremmentdansles
variables.
Un CSP P à
n
variables de domainesde tailled
aunespa edere her hede
d
n
ombinaisonsdevaleurs.
Cal ulons maintenant la taille maximale de l'orbite
d'une solution anonique de P
sym
. Dans le pire desas en terme de taille d'orbite, toute permutation
de variables est une symétrie du groupe. Il y a
m
valeurs diérentes dans la solution, ave
m
≤ d
etd
d
n
T(n
,m
= d
) 22
n
O(
2
n
√
n
)
33
n
O(
3
n
n
)
nn
n
O(
√
n
(2π)
n
2
n
n
)
Table 1: Comparaison entre taille de l'espa e de
re her hed'unCSPettailledel'orbited'unesolution
dansle asdesymétriesdevariables. Parexemple,la
ligneoù
d
= 3
montre que sila omplexité du al uldessolutions anoniquesde
P
sym
estinférieuràO(3
n
)
et que le nombre de es solutions anoniques est
in-férieur à
n
alorsla omplexité de résolutionde P estréduitegrâ eànotreméthode.
m
≤ n
. Nommonsv
i
le nombre d'o urren esde lai
e
valeur dans une solution. La taille de l'orbite est
T(
n
,m
)=n!
Q
1≤i≤m
v
i
!
(n! estle nombrede
permuta-tionsdenélémentsqu'ilfautdiviserpar haque
v
i
!
,lenombre de permutations é hangeant inutilement des
valeurs identiques). Comme nous avons la relation
P
1≤i≤m
v
i
= n
, on minimise le produitQ
1≤i≤n
v
i
!
quand les
v
i
ontlesvaleurslespluspro hespossiblesles unes des autres. Dans le pire des as, toutes les
valeurs
v
i
sontégalesàn
m
. Nousavonsdon T(n
,m
)≤
((
n
n!
m
)!)
m
. En approximantlesfa toriellesgrâ e àla
formuledeStirling
n! =
√
2πn
n+
1
2
e
−n
(1+ǫ(n))
où
ǫ(n)
tend vers0quand n est grand, nous arrivonsàT(
n
,m
)≤ (
√
2π)
1−m
√
n
(
√
n
m
)
m
m
n
1
(1+ǫ(n)
m−1
)
. Nous avons don T(n
,m
)∈ O(
m
n+ m
2
(2π)
m
2
n
m−1
2
)
. Comme il n'est pas
évident de omparer ette omplexité ave
d
n
, nous
présentons en table 1 une omparaison des
omplex-ités en fon tionde quelques valeursde
d
, en prenantle aslemoinsfavorableoù
m
= d
.Pour avoir une omparaison globale entre une
ré-solution lassique et notre appro he, il faut prendre
en ompte le temps de résolution de P
sym
, qui resteaprioride l'ordrede
Θ(d
n
)
, et lefaitque P
sym
peutavoirungrandnombredesolutions anoniquesetdon
d'orbitesàexplorer. Notreappro henepeutdon être
apriori e a e que si P
sym
est rapideà résoudre etontientpeudesolutions. Dansl'exempleduproblème
de Vellino que nous avonsdonné en se tion 2, P
sym
possède une unique solution qui se al ule en temps
linéaire. La taille de l'espa e de re her he des
vari-ables
c
i,j
est6
n
tandisque elledel'orbitedel'unique
solution est en
O(
6
n
n
5
2
)
. Don (sa hant que rien ne
hange au niveaudel'énumération desvariables
t
i,j
)nousavonsdiviséla omplexitédelatailledel'espa e
dere her hepar
n
5
2
.5 Etude de as : problème
d'optimisation
Nous présentons maintenant un as spé ique
d'appli ationdenotreméthodeoù elle- iadebonnes
han es d'être e a e. Un problème d'optimisation
peut sedénirpar unCSP enri hi d'unefon tion de
oût portant sur lesvariables duCSP. L'obje tif est
de trouver la solution du problème qui minimise la
fon tionde oût. Cetypedeproblèmepeutsetraiter
enutilisantlaméthode lassiqueduBran h
&
Bound(B&B). On peut voir ette méthode omme
ee tu-ant la re her hed'une solution puis posant une
on-trainte de non dépassement du oût de la solution,
réa tualisée à haque fois qu'une solution à un oût
meilleur est trouvée. Si nous avonsaaireàun CSP
symétriquedontlafon tionde oûtbriselessymétries,
notre appro he s'applique dire tement. Nous nous
trouvonsdans un as parti ulier où 'est la méthode
de résolution B&B elle-même qui applique une
on-trainte brisant les symétries après avoir trouvé une
premièresolution. L'idée est don de générer les
so-lutions anoniquesduCSPet,aufuret àmesureque
essolutionssonttrouvées, depar ourirleur orbiteà
lare her hedelasolutionsymétriqueayantlemoindre
oût. L'intérêtde etteméthodeestquenoussommes
à même de passer dire tement d'une solution à une
autresansavoirà ontinuerlarésolutionduCSP.
5.1 Version omplète
Dans une version omplète de notre méthode, nous
devonspar ourirl'orbitegrâ eàlare her he
arbores- ente que nous avons dé rite dans la se tion
pré é-dente. Pendant e par oursd'orbite,ilpeutêtre
pos-sible deminorer et de majorerle oût de lameilleur
solution symétrique de l'orbite, selon le type de la
fon tion de oût qui entre en jeu. Par exemple, si
le oûtest une fon tionmonotoneoulinéairede
ha- une des variables, le graphe d'orbites nous indique
les plus petites et les plus grandes valeurs que
peu-ventprendre haquevariableetdon uneborne
mini-maledu oût. Si laborneminimaleest supérieureau
oûtdelameilleuresolutiontrouvéejusqu'àprésent,il
est inutiled'explorerl'orbite. Laborne minimaleest
anée lors de la des ente dans une bran he ar des
points(et don des valeurs) sont xés oudeviennent
inatteignables, ommenousl'avonsvudanslase tion
pré édente.
5.2 Versionlo alere omplétée
Siunpar ours omplet de l'espa edere her hen'est
pas envisageable à ause de la taille du problème,
on peut envisager une méthode in omplète qui
on-siste en une re her helo ale d'unemeilleure solution
dans les orbites. La re her he lo ale peut passer à
té de l'optimum de l'orbite mais elle peut
perme-ttre de trouver une solution àun oût susamment
bon. Nous pouvons essayer de trouver une solution
à un bon oût grâ e un algorithme glouton : on
es-saie d'appliquer su essivement ha un des
généra-teurs jusqu'à e qu'un d'eux produise une meilleure
solution,etonitère epro essusjusqu'àaboutiràun
optimumlo al.
Or,ils'avèreque etteméthodepeutfa ilementêtre
rendue omplète. IlsutqueleB&Bquigénèreles
so-lutionsnesoitplussoumisàdes ontraintesde
anon-i itéetdon qu'ilgénèretouteslessolutionsy ompris
les symétriques. Dans ette version de la méthode,
nous avons un B&B qui n'utilise au une te hnique
de traitement de symétrie mais qui, lorsqu'il trouve
unenouvellesolution,va her herdefaçonin omplète
dans son orbite une solution àmeilleur oût. Si une
telle solutionest trouvée, il va ontinuer lare her he
où il s'était arrêté mais ave une borne de oût
en- ore améliorée. Il va don pouvoir élaguer en ore
plus l'arbre de re her he que s'il n'avait pas essayé
d'explorerl'orbite. LeB&Bétant uneméthode
om-plète,lefaitdeluiajouterunepro éduredere her he
d'une meilleure borne onserve la omplétude de la
méthode.
6 Expérimentations et résultats
Le premier problème que nous expérimentons est le
arré magique pondéré, qu'on trouve mentionné par
exempledans[4℄. Lebutestderemplirunegrille
n
×n
ave lesentiersde1à
n
2
defaçonà e quelasomme
de haqueligne,de haque olonneetde ha unedes
deuxdiagonalessoitégaleà
n(n
2
+1)
2
. Deplus, haqueaseaunpoidsquiluiest propreet ilfautminimiser
lasommedesproduitsdu ontenudes asesave leur
poids. La fon tion oût est don linéaire. Dans nos
expérimentations, nousavons hoisi haquevaleurde
poidsau hasardentre 1et 100
n
2
. L'ordredugroupe
de symétries est 8 ( e sont les mêmes symétries que
pourunproblèmededamesàpla ersuruné hiquier).
Notre programme est é rit en utilisant Ilog Solver.
A partir de la mi rostru ture du CSP, on ré upère
une base de songroupede permutation ainsi queses
générateursfortsgrâ eàNauty[5℄.
Nousavons omparétroisméthodesderésolution:
leB&B lassique,lemêmeB&Bave uneexploration
gloutonned'orbites,quenousappelonsGreedySym,et
leB&Bave re her her hearbores entesystématique
danslesorbitesdesolutions anoniques,quenous
prob-Figure 3: Vitesse de onvergen everslameilleure
so-lution pourleproblèmedu arrémagiquepondéré de
taille 5. TreeSear hSym onvergeplusrapidementau
début maislestrois ourbesnissentpas oïn ideret
leurstempsderésolutionsontégaux.
lème, nous avons exé uté 20 instan es diérentes et
nous avonsreporté le temps moyen( f table 3 et 4).
Nous pouvons onstaterqueTreeSear hSym onverge
beau oup plusrapidementque lesdeux autres
méth-odes vers une solution quasi-optimale pour
n
= 5
.Pour
n
= 6
, il trouve une solution à plus bas oûtquelesautresdansletempsimpartide3minutesqui
avaitétéxé.
Figure 4: Vitesse de onvergen everslameilleure
so-lution pourleproblèmedu arrémagiquepondéré de
taille 6. TreeSear hSym atteintplus rapidementune
meilleure solution que GreedySear h and B&B à la
n des3minutes. Au un ne terminelare her heau
boutdeplusieursheures. (Finalement,l'outil de
pro-grammationmathématiqueCPLEXd'Ilogaétéutilisé
pourtrouverlameilleuresolutionandenous
perme-ttrede onnaîtreladistan eentre elle- iet ellesque
nosméthodesavaienttrouvées.)
Lese ondproblème hoisipourtesternosméthodes
est un problème de oloriage de graphe. Le
prob-lème ontient n (n est un multiple de 5) variables
{x
1
, ..., x
n
}
àvaleursdans{0,1,2,3,4}. L'ensembledesontraintesest dénipar,
∀i
telque iest unmultiplede5:
• {x
i
, x
i+1
, x
i+2
, x
i+3
}
ontdesvaleursdiérentes.• {x
i
, x
i+4
, x
i+5
, x
i+9
}
ont des valeurs diérentes(saufsii=n-5).
X12
X0
X4
X9
X14
X1
X6
X3
X2
X7
X11
Xn−2
Xn−1
Xn−5
Xn−4
Xn−3
X8
X13
X10
X5
Figure 5: Grapheà olorier
Ce problèmeest dé rit parlagure5. Nousavons
hoisi eproblème ar,bienqu'arti iel,ilal'avantage
que sonnombrede variables peut aisémentêtre
aug-menté tout en onservant les mêmes symétries. En
eet, quelque soit le nombre de variables présentes
dans le modèle, il existe deux typesde symétries de
variable. Celles du premier type sont lo ales :
∀
imultiple de5,lesvariables
{x
i+1
, x
i+2
, x
i+3
}
sontin-ter hangeables. Ilexisteundeuxièmetypedesymétrie
quiest global. Considéronslapartitiondel'ensemble
de variables en k parties de 5 variables dénies par
:
∀j ∈ [1; k]{x
j
, x
j+1
, x
j+2
, x
j+3
, x
j+4
}
. Cesensem-blesdevariablessontsymétriquesparlaréexionqui
é hange
x
j
etx
k−j
. Cettefois- i,l'ordredugroupedesymétriesestunefon tionexponentielledunombrede
variables.
Lafon tion oûtestunefon tionlinéaireportantsur
lesvaleursprisesparlesvariables. Chaque oe ient
asso iéàunevariableestunentier omprisentre 1et
n. Pour éviter de résoudre ontinuellement le même
problème, es oe ients sont tirés aléatoirementde
façonindépendante.
Nbvariables TreeSear hSym GreedySym B&B
15 0.054 0.0035 0.0042 20 0.25 0.025 0.026 25 2.35 0.16 0.17 30 11.6 1.04 1.11 35 94.6 6.39 6.7 40 492 44.5 47.3
Table2: Temps derésolution (ense ondes)du
prob-lèmede oloriagedegraphe.
La omparaison entre les trois te hniques de
réso-lution(B&B,GreedySymetTreeSear hSym)aété
fe tuéeave 50résolutionsdeproblèmesdetaille
iden-tiquedontlafon tion oût hangeaitaléatoirementà
haquefois. Lesrésultats sont indiquésentable 2et
engure6.
Figure6: Vitesse de onvergen everslameilleure
so-lution pourle problème de oloriagede graphe pour
n
= 30
. GreedySym onverge plus rapidement queB&B. TreeSear hSym onverge très lentement. Le
même omportement a été observé pour les autres
valeursde
n
.Les temps de résolution ave GreedySym ne sont
qu'unpeuplusrapide(
<
10%)que elleave leB&B.Cependant, GreedySym atteint la solution optimale
bien avant B&B. TreeSear hSym a de mauvaises
ré-sutlatspar equ'ilprend beau oupdetempsàfouiller
systématiquementdegrandesorbites.
7 Con lusion et perspe tives
Grâ eàuneidéesimple,nousavonsétendule hamp
d'appli ationdesméthodesd'éliminationdesymétries:
lorsqu'unproblèmene ontientpasdesymétriespar e
que quelques ontraintes sont asymétriques, e qui
onstitue un as beau oup plus ourantque elui où
lesproblèmes sont symétriques,nous pouvons quand
même appliquer es méthodes en laissant les
on-traintes gênantes momentanément de té pour les
réintégrer plustard et terminer de résoudre le
prob-lème. Cela implique qu'on sa he explorer
e a e-ment l'orbite d'une solution anonique. Nous avons
vuqu'uneexplorationin omplètedel'orbitepar
répa-ration lo ale est fa ile à mettre en ÷uvre. Par
on-tre, une exploration systématique par re her he
ar-bores ente est plus déli ate et né essite que soient
étudiés plusieurs aspe ts fondamentaux ( hoix de la
base, adaptation des te hniques de ltrage de
do-maines) pour qu'elle soit le plus e a e possible.
Notreétudede es aspe tsreste embryonnaire et
de-vra être poursuivie. De plus, nous nous sommes
in-téressésà une lasse spé iquede problèmesqui
en-traient dans le adre généralde notre appro he: les
problèmesd'optimisationoùseulelafon tionde oût
estasymétrique. Dans e ontexte,nousavonsproposé
une autre méthode omplète basée sur l'exploration
lo ale d'orbites desolution. Comme ellepeutsauter
très rapidement d'une solution à une autre lors de
l'exploration d'une orbite, elle permet d'améliorer la
borne de oût plus rapidement. Il nous reste à
véri-er l'e a ité de notre démar he dans le adre plus
général dans lequel nous nous sommes pla és au
dé-part : elui des problèmes de dé ision ontenant un
nombre onséquent de ontraintes asymétriques. Ce
type de problème est très ourant en pratique et il
serait très utile que nous perfe tionnions notre
ap-pro he susamment pour qu'elle reste e a e dans
e ontexte.
Referen es
[1℄ B. Benhamou. Study of symmetry in onstraint
satisfa tion problems. In Se ond Workshop on
Prin iples and Pra ti e of Constraint
Program-ming(PPCP'94),1994.
[2℄ D.Cohen,P.Jevons,C.Jeerson,K.E.Petrie,and
B.Smith.Symmetrydenitionsfor onstraint
sat-isfa tionproblems. InPro eedingsofCP'05, pages
1731,2005.
[3℄ W. Harvey. Symmetri relaxation te hniques for
onstraintprogramming.InSymNetWorkshopon
Almost-SymmetryinSear h,pages2059,2005.
[4℄ R. Martin. Approa hes to symmetry breaking
for weak symmetries. In SymNet Workshop on
Almost-SymmetryinSear h,pages3749,2005.
[5℄ BrendanD.M Kay. Pra ti algraphisomorphism.
CongressusNumerantium,30:4587,1981.
[6℄ JeanFrançoisPuget. Automati dete tionof
vari-able and value symmetries. In Pro eedings of
CP'05,pages475489,2005.
[7℄ Jean François Puget. Breaking all value
symme-tries in surje tion problems. In Pro eedings of
CP'05,pages490504,2005.
[8℄ AkoSeress.PermutationGroupAlgorithms.
Cam-bridgeUniversityPress,1999.
[9℄ Vellino.http://www. s.york.a .uk/aig/ onstraints/