Akcelerace řešiče programování s omezujícími podmínkami asynchronně poskytnutými heuristickými daty

Abstract

Programování s omezujícími podmínkami (Constraint Programming/CP) představuje exaktní metodu řešení kombinatorických optimalizačních problémů, avšak pro rozsáhlé instance může být výpočetně náročné nalézt kvalitní řešení v rozumném čase. Tato práce se zabývá akcelerací CP solveru OptalCP prostřednictvím asynchronního poskytování externích řešení generovaných heuristickými algoritmy během jeho běhu na třech kombinatorických problémech. V rámci práce byl navržen a implementován systém umožňující efektivní integraci heuristik a solveru OptalCP. Specifické heuristiky optimalizované pro jednotlivé problémy byly spuštěny paralelně a jejich výsledky byly předávány solveru asynchronně, čímž byla dosažena efektivní kombinace rychlosti heuristik a síly CP solveru. Byly analyzovány různé konfigurace počtu vláken přidělených solveru a heuristickým algoritmům, abychom identifikovali optimální nastavení vedoucí k nejlepší kvality řešení a výpočetního času. Výsledky experimentů ukázaly, že asynchronní integrace externích heuristických řešení dokázala v některých případech významně urychlit nalezení kvalitních řešení oproti standardnímu běhu solveru.

Constraint Programming (CP) is an exact method for solving combinatorial optimization problems, but for large instances it can be computationally challenging to find a high-quality solution in a reasonable amount of time. This thesis aims to accelerate the CP solver OptalCP by asynchronously providing external solutions generated by heuristic algorithms at runtime on three combinatorial problems. In this work, a system was designed and implemented to enable efficient integration of heuristics and the OptalCP solver. Problem-specific heuristics optimized for each problem were run in parallel and their results were passed to the solver asynchronously, achieving an efficient combination of heuristics speed and the strength of the CP solver. Different configurations of the number of threads allocated to the solver and the heuristic algorithms were analyzed to identify the optimal settings leading to the best solution quality and computation time. The experimental results showed that the asynchronous integration of external heuristics could in some cases significantly speed up the finding of quality solutions compared to the standard solver run.