ASP와 CSP의 결합: clingcon 시스템

초록

clingcon은 ASP의 선언적 모델링과 고성능 불린 솔버를 CP의 비불린 제약 처리 능력과 결합한 하이브리드 솔버이다. 전역 제약과 제약 변수 최적화 구문을 지원하며, 불일치 집합을 기반으로 한 학습 메커니즘을 도입해 ASP와 CP 사이의 상호작용을 크게 향상시킨다. 실험 결과, 기존 방법 대비 10배 수준의 성능 향상을 보였다.

상세 분석

본 논문은 ASP와 CP를 통합한 새로운 하이브리드 솔버인 cling·con을 제안한다. 기존 ASP 솔버는 불린 리터럴에 대한 강력한 충돌 학습과 비트레벨 최적화를 제공하지만, 산술·범위·전역 제약과 같은 비불린 제약을 직접 다루기엔 한계가 있다. 반면 CP는 도메인 축소와 전역 제약 전파에 특화돼 있으나, 논리적 비모순 탐지와 비단조적 모델 탐색에서는 ASP에 비해 효율성이 떨어진다. cling·con은 이러한 상보적인 특성을 결합하기 위해 두 단계의 아키텍처를 채택한다. 첫 번째 단계에서는 전통적인 ASP 그라운딩을 수행해 논리 규칙을 불린 변수와 제약 변수로 변환한다. 두 번째 단계에서는 CP 솔버(예: Gecode)를 호출해 제약 변수에 대한 도메인 연산과 전역 제약 전파를 수행한다. 핵심 혁신은 “irreducible inconsistent sets”(IIS) 기반 학습 메커니즘이다. ASP와 CP 사이에서 충돌이 발생하면, 충돌 원인이 되는 최소한의 제약 집합(IIS)을 추출하고 이를 ASP 레벨의 nogood으로 변환한다. 이렇게 생성된 nogood은 ASP 솔버의 CDCL 과정에 직접 삽입돼, 동일한 불일치가 재발하는 것을 방지한다. 기존의 단순 충돌 전파 방식에 비해 IIS 학습은 불필요한 탐색을 크게 줄이며, 특히 전역 제약(예: all‑different, cumulative)과 결합된 문제에서 효과가 두드러진다. 또한, cling·con은 새로운 구문을 도입해 전역 제약을 직접 모델링하고, 제약 변수에 대한 #minimize/#maximize 구문을 지원한다. 이는 사용자가 최적화 문제를 ASP와 동일한 문법으로 기술하면서도 CP의 강력한 수치 최적화 능력을 활용할 수 있게 한다. 실험에서는 베이컨, 스케줄링, 퍼즐, 라우팅 등 다양한 베치 테스트를 수행했으며, 기존 ASP‑CSP 통합 솔버인 clingo