计算可持续性的人工智能：实验室指南/基于约束的推理和优化

概述

可持续性领域的许多问题需要超越上一章中经典的基于目标的搜索方法，将硬约束（不可违反）和对一种解决方案状态的偏好纳入其中。基于约束的推理通常指的是使用硬约束来限制可获得的解空间，以解决问题——一个可接受的解是不会违反任何硬约束的解。在经典的基于目标的搜索中，死胡同通常被视为违反硬约束的状态（以及给定可用算子的所有后代），尽管在经典搜索范式中很少明确说明这种约束。

优化问题假设某些解优于其他解——在解（或目标）状态上存在偏序，并且希望找到这些状态中根据用于评估解状态质量的目标函数最优的解或最佳解。在经典的搜索范式中，对一种目标状态优于另一种状态的唯一偏好是根据解路径成本，其中成本最低的路径的目标被称为最优。优化问题通常允许以任何可以通过目标函数定义的方式定义最优性，目标函数将质量（或效用）分数分配给解状态。

包括约束和优化讨论的 AI 教科书包括 Russell 和 Norvig，2010，第 4 章和第 6 章；Poole 和 Mackworth，2010，第 4 章。一般来说，因为约束和偏好与搜索本身一样普遍，所以这些概念散布在整个 AI 教科书中——例如，机器学习方法通常被视为优化问题。

计算可持续性的视角通常建议将可持续性问题作为优化和基于约束的问题来处理。例如，Conrad 等人（2010） 说明了在设计灰熊走廊时优化与约束相结合的方法，该走廊允许灰熊在保护区内移动。在这样的问题中，硬约束可能是任何走廊必须连接现有的保护区。包含在目标函数中的因素，这些因素对不同解决方案（即走廊）的质量进行评分，可能包括为不同走廊购买的土地的货币成本——如果购买成本是唯一因素，那么更便宜的走廊（满足硬约束）将更可取。但可能还有其他因素，例如（丢失的）机会成本 以及灰熊在走廊边界外徘徊的概率，作为走廊中不同地形函数。

当将可持续性问题作为优化和约束问题来处理时，另一类因素来自于变化。优化因素和约束可能会随着时间推移而发生变化，在环境和社会变化面前的解决方案稳健性至关重要。在灰熊走廊设计问题中，人类入侵对某些走廊的可能性可能高于其他走廊，或者气候变化可能导致灰熊最喜欢的食物之一的栖息地发生变化，导致更多灰熊偏离。再举一个例子，考虑在中国这样的国家放置风电场（参见 Powell 及其同事（参考文献）），其中优化技术被用于根据当前的风力趋势找到风电场的最佳位置，但这些趋势可能会随着气候变化而演变，导致风电场位置不再是最优的。这里没有简单的答案，但是，在面对变化的情况下，表征解决方案的稳健性是将优化和约束推理策略应用于可持续性问题时面临的关键挑战。在表征影响稳健性的影响因素之后，这些表征可以作为“元”优化目标函数使用，或者将其折叠到基本目标函数本身中。（这可能是激发随机优化并从确定性方法过渡的良好方法）。