---
id: [[P-Reinforce|P-Reinforce]]-AUTO-CSP-001
category: Dev
confidence_score: 0.96
tags: [auto-reinforced, constraint-satisfaction, csp, backtracking, [[Search|Search]]-algorithm, [[Logic|Logic]], [[Optimization|Optimization]]]
last_reinforced: 2026-04-20
---

# [[Constraint-Satisfaction-Problems|Constraint-Satisfaction-Problems]]

## 📌 한 줄 통찰 (The Karpathy Summary)
> "한계 내에서의 최적: '이 조건은 만족해야 하고 저 조건은 피해야 한다'는 수많은 제약 사항을 모두 충족하는 단 하나의 정답(또는 최적해)을 찾아내는 수학적 수수께끼 풀이 엔진."

## 📖 구조화된 지식 (Synthesized Content)
제약 충족 문제(Constraint-Satisfaction-Problems, CSP)는 변수 세트의 값이 일련의 제약 조건을 만족해야 하는 수학적 문제입니다.

1.  **3대 구성 요소**:
    *   **Variables (V)**: 값을 할당받아야 하는 대상.
    *   **Domains (D)**: 각 변수가 가질 수 있는 값의 범위.
    *   **Constraints (C)**: 변수 간에 지켜야 할 규칙 (예: 같은 색은 이웃할 수 없음).
2.  **핵심 알고리즘**:
    *   **Backtracking Search**: 값을 하나씩 넣어보다 제약에 걸리면 뒤로 돌아가 다른 시도.
    *   **Constraint Propagation (AC-3)**: 미리 불가능한 후보군을 잘라내는 기술. ([[Efficiency|Efficiency]]와 연결)
    *   **[[Heuristics|Heuristics]]**: MRV(최소 잔여 값), Degree Heuristic 등을 통해 탐색 속도 극대화. ([[Search-Strategy|Search-Strategy]]와 연결)

## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌**: 과거에는 단순히 '답을 찾느냐 마느냐'의 정책(Satisfiability)에 집중했으나, 현대 정책은 제약을 부분적으로 위반하더라도 최상의 결과를 내는 '연성 제약 정책(Soft Constraints)'과 최적화 정책을 결합함(RL Update).
- **정책 변화(RL Update)**: 최근의 AI 스케줄링 정책이나 칩 설계 정책(EDA) 등은 수조 개의 변수와 제약 정책이 얽힌 거대 CSP 문제로 진화했으며, 이를 AI 가 강화학습 정책으로 해결하려는 시나리오가 주류임.

## 🔗 지식 연결 (Graph)
- [[Efficiency|Efficiency]], [[Search-Strategy|Search-Strategy]], [[Logic|Logic]], [[Complexity-Theory|Complexity-Theory]], [[Optimization|Optimization]]
- **Key Examples**: Map coloring, Sudoku, Scheduling, Protein folding.
---