21、量化约束满足问题（QCSP）与地理空间推理中约束满足问题（CSP）的优化策略

量化约束满足问题（QCSP）与地理空间推理中约束满足问题（CSP）的优化策略

1. QCSP 求解器性能分析

在 QCSP 求解领域，不同的求解器展现出了各异的性能特点。

一些求解器，如 BlockSolve 是自底向上的求解器，在可解实例上表现良好，但缺点是需要指数级的空间。QeCode 基于 Gecode 构建，配备了许多先进的 CSP 技术，不过缺乏针对 QCSP 的专门特性，例如纯值处理。

通过观察在具有相似参数的实例上各求解器的表现，我们可以做出一些推测：
- 与 BlockSolve 对比 ：SBJ 让 QCSP - Solve 在可解实例上比以前更具竞争力，但 BlockSolve 仍有优势，它能比 QCSP - Solve 实现高达四个数量级的加速，尽管代价是指数级的内存消耗。在相变点及其左侧（问题不可解区域），我们的技术优于 BlockSolve。这一推测基于观察到 BlockSolve 在相变点的性能与 QCSP - Solve 大致相同，而在不可解区域更慢。
- 与 QeCode 对比 ：实验表明 QeCode 的性能与 QCSP - Solve 大致相似，因此我们推测 SBJ 使 QCSP - Solve 在可解实例上比 QeCode 更高效。
- 与 QBF 求解器对比 ：运行在高效适配和增强的对数编码上的 QBF 求解器，通常在不可解实例上比 QCSP - Solve 慢，在可解实例上更快。我们推测 SBJ 使 QCSP - Solve 在可解实例上至少能与这些编码竞争。

下面用表格总结各求