Many AI synthesis problems such as planning, scheduling or design may be encoded in a constraint satisfaction problem (CSP). A CSP is typically defined as the problem of finding any consistent labeling for a fixed set of variables satisfying all given constraints between these variables. However, for many real tasks, the set of constraints to consider may evolve because of the environment or because of user interactions. The problem we consider here is the solution maintenance problem in such a dynamic CSP (DCSP). We propose a new class of constraint recording algorithms called Nogood Recording that may be used for solving both static and dynamic CSPs. It offers an interesting compromise, polynomially bounded in space, between an ATMS-like approach and the usual static constraint satisfaction algorithms. 1 Introduction The constraint satisfaction problem (CSP) model is widely used to represent and solve various AI related problems and provides fundamental tools in areas such as truth...

Introduction Le cadre des problemes de satisfaction de contraintes ou CSP (pour Constraint Satisfaction Problems) a pour finalite l'expression et la resolution de problemes faisant intervenir des contraintes. De facon tres generale, une contrainte correspond a l'enonce d'une proprie te relative a certaines caracteristiques de differents objets : propriete physique (spatiotemporelle. ..) necessairement satisfaite par les objets consideres ou propriete desiree par l'utilisateur par exemple. Du fait de sa generalite, il est assez naturel que la notion de contrainte soit frequemment utilisee et ait recu beaucoup d'attention de la part des communautes de l'intelligence artificielle ou de la recherche operationnelle, toutes deux preoccupees par la representation et la resolution de problemes. Face aux illustres predecesseurs que sont la programmation lineaire (en nombres entiers) ou la logique propositionnelle, le cad

Introduction 3 2 Rseaux de contraintes et algorithmes 4 3 Algorithmes pour les rseaux de contraintes 5 3.1 Filtrage systmatique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5 3.2 Mmorisation de contraintes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7 4 Problmes dynamiques 10 4.1 Mmorisation de solutions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11 4.2 Mmorisation de nogoods . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11 5 Rseaux de contraintes et optimisation 12 5.1 Rseaux de contraintes values . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14 5.2 Recherche d'une solution optimale . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17 5.3 Filtrage par cohrence d'arc . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20 6 Dcision dans l'incertain 21 Index 29 1 2 Avant-propos Durant ces dix der