为什么 ORTOOLS 引导局部搜索，从考虑约束规划的可行解决方案开始？
why is the ORTOOLS guided local search, that starts with a feasible solution considered constraint programming?
我正在使用 ORTOOLS 库来解决 VRP 问题。我给它一个初步可行的解决方案来解决我的问题，满足我的问题的所有约束但不是最优的。然后 ORTOOLS 执行 GUIDED_LOCAL_SEARCH 启发式算法，不断扰动我的部分解决方案（有时可能使其不可行），直到它有望达到比我的初始解决方案更好的解决方案。
为什么要使用 constraint programming 求解器？我的理解是，经典的约束规划从一个不可行（可能为空）的解决方案开始，传播约束以缩小我的变量的范围，直到达到稳定状态，然后做出决定。然后它再次迭代直到解决问题或如果到达死胡同则回溯（想想数独）。
在进行小扰动时，这些能力（传播、回溯）以何种方式需要？
有两个原因。
1) 初始解启发式是快速 LS 启发式搜索和标准约束规划搜索的组合。
2) 整个局部搜索实现建立在传统的约束规划求解器之上，并使用约束和传播器来验证解决方案并完成它们。
我正在使用 ORTOOLS 库来解决 VRP 问题。我给它一个初步可行的解决方案来解决我的问题，满足我的问题的所有约束但不是最优的。然后 ORTOOLS 执行 GUIDED_LOCAL_SEARCH 启发式算法，不断扰动我的部分解决方案（有时可能使其不可行），直到它有望达到比我的初始解决方案更好的解决方案。
为什么要使用 constraint programming 求解器？我的理解是，经典的约束规划从一个不可行（可能为空）的解决方案开始，传播约束以缩小我的变量的范围，直到达到稳定状态，然后做出决定。然后它再次迭代直到解决问题或如果到达死胡同则回溯（想想数独）。
在进行小扰动时，这些能力（传播、回溯）以何种方式需要？
有两个原因。
1) 初始解启发式是快速 LS 启发式搜索和标准约束规划搜索的组合。
2) 整个局部搜索实现建立在传统的约束规划求解器之上，并使用约束和传播器来验证解决方案并完成它们。