5.1 KiB
5.1 KiB
id, title, category, status, canonical_id, aliases, duplicate_of, source_trust_level, confidence_score, tags, raw_sources, last_reinforced, github_commit, inferred_by, tech_stack
| id | title | category | status | canonical_id | aliases | duplicate_of | source_trust_level | confidence_score | tags | raw_sources | last_reinforced | github_commit | inferred_by | tech_stack | ||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| wiki-2026-0508-constraint-satisfaction-problems | Constraint Satisfaction Problems | 10_Wiki/Topics | needs_review | self | none | A | 0.92 |
|
2026-05-08 | pending | Claude Opus 4.7 (auto-normalize 2026-05-08) |
|
Constraint Satisfaction Problems (제약 충족 문제)
📌 한 줄 통찰 (The Karpathy Summary)
"주어진 규칙을 어기지 않는 최선의 상태를 찾아라" — 변수들의 집합과 각 변수가 가질 수 있는 값의 범위(Domain), 그리고 변수들 간의 제약 조건이 주어졌을 때 모든 제약을 만족하는 해를 찾는 수학적 문제.
"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)
- 추출된 패턴: 탐색 공간 내에서 제약 조건(Constraints)을 활용하여 불가능한 선택지를 미리 제거함으로써 효율적으로 정답 후보군을 좁혀나가는 제약 기반 탐색 패턴.
- 핵심 요소:
- Variables (V): 해를 구해야 하는 대상.
- Domains (D): 변수가 가질 수 있는 값들의 집합.
- Constraints (C): 변수들 사이의 관계를 정의하는 규칙.
- 해결 기법:
- Backtracking Search: 값을 하나씩 할당해보고 제약 위반 시 되돌아감.
- Constraint Propagation: 제약 조건을 미리 분석하여 변수의 도메인을 줄임 (예: AC-3 알고리즘).
- Local Search: 초기해에서 시작하여 제약 위반을 최소화하는 방향으로 값을 수정 (예: Min-conflicts).
- 예시: 스도쿠, 시간표 짜기, 하드웨어 설계 검증 등.
제약 충족 문제(Constraint-Satisfaction-Problems, CSP)는 변수 세트의 값이 일련의 제약 조건을 만족해야 하는 수학적 문제입니다.
- 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).
- 핵심 알고리즘:
- Backtracking Search: 값을 하나씩 넣어보다 제약에 걸리면 뒤로 돌아가 다른 시도.
- Constraint Propagation (AC-3): 미리 불가능한 후보군을 잘라내는 기술. (Efficiency와 연결)
- Heuristics: MRV(최소 잔여 값), Degree Heuristic 등을 통해 탐색 속도 극대화. (Search-Strategy와 연결)
⚠️ 모순 및 업데이트 (Contradictions & Updates)
- 과거 데이터와의 충돌: 단순한 시행착오 기반 탐색에서, 논리적 제약 전파를 통해 탐색 효율을 극적으로 높이는 방식으로 발전.
- 정책 변화: Antigravity 프로젝트는 에이전트의 스케줄링이나 복잡한 인프라 리소스 할당 시 제약 충족 문제 알고리즘을 활용하여 최적의 구성을 산출함.
- 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)
- Combinatorial-Optimization, Algorithm-Complexity-Big-O, Decision-Making, Search-Algorithms
- Raw Source: 10_Wiki/Topics/AI/Constraint-Satisfaction Problems.md
- Efficiency, Search-Strategy, Logic, Complexity-Theory, Optimization
- Key Examples: Map coloring, Sudoku, Scheduling, Protein folding.
🤖 LLM 활용 힌트 (How to Use This Knowledge)
언제 이 지식을 쓰는가:
- (TODO)
언제 쓰면 안 되는가:
- (TODO)
🧪 검증 상태 (Validation)
- 정보 상태: needs_review
- 출처 신뢰도: A
- 검토 이유: (P-Reinforce Phase 1 자동 정규화. 본문 검증 필요.)
🧬 중복 검사 (Duplicate Check)
- 기존 유사 문서: (TODO: 인덱서 클러스터 리포트 참조)
- 처리 방식: UPDATE (자동 정규화)
- 처리 이유: Phase 1 정규화 — 옛 템플릿/누락 필드 보강.
🕓 변경 이력 (Changelog)
| 날짜 | 변경 내용 | 처리 방식 | 신뢰도 |
|---|---|---|---|
| 2026-05-08 | P-Reinforce Phase 1 정규화 (frontmatter + 헤더 표준화) | UPDATE | A |