约束规划求解器的超参数优化

约束规划求解器的性能对其超参数的选择高度敏感。手动寻找最佳求解器配置是一项困难且耗时的任务，通常需要专家知识。在本文中，我们引入了探测与求解算法，这是一种集成到 CPMpy 库中的新型两阶段自动超参数优化框架。该方法将可用时间预算划分为两个阶段：探测阶段使用可配置的超参数优化方法探索不同的超参数集；随后的求解阶段则使用找到的最佳配置在剩余时间内解决问题。我们在探测与求解算法中实现并比较了两种超参数优化方法：贝叶斯优化和汉明距离搜索。我们在两个不同的约束规划求解器 ACE 和 Choco 上，针对 114 个组合问题实例评估了该算法，并将其性能与求解器的默认配置进行了比较。结果表明，使用贝叶斯优化时，该算法优于求解器的默认配置，在 25.4% 的实例中提高了 ACE 的解质量，并在 57.9% 的实例中匹配了默认性能；对于 Choco，在 38.6% 的实例中取得了更优结果。在同一框架内，它也始终优于汉明距离搜索，证实了基于模型的探索相对于简单局部搜索的优势。总体而言，探测与求解算法提供了一种实用且具备资源感知的约束求解器调优方法，在多样化的问题类型上产生了稳健的性能提升。