計算可持續性的人工智慧：實驗室指南/基於約束的推理和最佳化

概述

可持續性領域的許多問題需要超越上一章中經典的基於目標的搜尋方法，將硬約束（不可違反）和對一種解決方案狀態的偏好納入其中。基於約束的推理通常指的是使用硬約束來限制可獲得的解空間，以解決問題——一個可接受的解是不會違反任何硬約束的解。在經典的基於目標的搜尋中，死衚衕通常被視為違反硬約束的狀態（以及給定可用運算元的所有後代），儘管在經典搜尋正規化中很少明確說明這種約束。

最佳化問題假設某些解優於其他解——在解（或目標）狀態上存在偏序，並且希望找到這些狀態中根據用於評估解狀態質量的目標函式最優的解或最佳解。在經典的搜尋正規化中，對一種目標狀態優於另一種狀態的唯一偏好是根據解路徑成本，其中成本最低的路徑的目標被稱為最優。最佳化問題通常允許以任何可以透過目標函式定義的方式定義最優性，目標函式將質量（或效用）分數分配給解狀態。

包括約束和最佳化討論的 AI 教科書包括 Russell 和 Norvig，2010，第 4 章和第 6 章；Poole 和 Mackworth，2010，第 4 章。一般來說，因為約束和偏好與搜尋本身一樣普遍，所以這些概念散佈在整個 AI 教科書中——例如，機器學習方法通常被視為最佳化問題。

計算可持續性的視角通常建議將可持續性問題作為最佳化和基於約束的問題來處理。例如，Conrad 等人（2010） 說明了在設計灰熊走廊時最佳化與約束相結合的方法，該走廊允許灰熊在保護區內移動。在這樣的問題中，硬約束可能是任何走廊必須連線現有的保護區。包含在目標函式中的因素，這些因素對不同解決方案（即走廊）的質量進行評分，可能包括為不同走廊購買的土地的貨幣成本——如果購買成本是唯一因素，那麼更便宜的走廊（滿足硬約束）將更可取。但可能還有其他因素，例如（丟失的）機會成本 以及灰熊在走廊邊界外徘徊的機率，作為走廊中不同地形函式。

當將可持續性問題作為最佳化和約束問題來處理時，另一類因素來自於變化。最佳化因素和約束可能會隨著時間推移而發生變化，在環境和社會變化面前的解決方案穩健性至關重要。在灰熊走廊設計問題中，人類入侵對某些走廊的可能性可能高於其他走廊，或者氣候變化可能導致灰熊最喜歡的食物之一的棲息地發生變化，導致更多灰熊偏離。再舉一個例子，考慮在中國這樣的國家放置風電場（參見 Powell 及其同事（參考文獻）），其中最佳化技術被用於根據當前的風力趨勢找到風電場的最佳位置，但這些趨勢可能會隨著氣候變化而演變，導致風電場位置不再是最優的。這裡沒有簡單的答案，但是，在面對變化的情況下，表徵解決方案的穩健性是將最佳化和約束推理策略應用於可持續性問題時面臨的關鍵挑戰。在表徵影響穩健性的影響因素之後，這些表徵可以作為“元”最佳化目標函式使用，或者將其摺疊到基本目標函式本身中。（這可能是激發隨機最佳化並從確定性方法過渡的良好方法）。