Constraint Satisfaction Problems (제약 충족 문제)

📌 Brief 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."

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)

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.

Combinatorial-Optimization, Algorithm-Complexity-Big-O, Decision-Making, Search-Algorithms
Raw Source: 10_Wiki/Topics/AI/Constraint-Satisfaction Problems.md