ParXCel - Machine Learning und Parallelisierung für Skalierbares Constraint Solving

In ParXCel konzentrieren wir uns auf die Entwicklung von Synthese- (z. B. Konfiguration) und Analysealgorithmen (z. B. Konflikterkennung und -diagnose), die zur Bewältigung der oben genannten Herausforderungen beitragen. Die Gesamtidee von ParXCel besteht darin, 1) maschinelle Lerntechniken zur Steigerung der Leistung und Vorhersagequalität beim Lösen von Einschränkungen zu entwickeln und 2) parallelisierte Ansätze für effiziente Analysevorgänge (Konflikterkennung und -diagnose) zu entwickeln. Die wichtigsten Forschungsbeiträge von ParXCel sind die folgenden. Zunächst konzentrieren wir uns auf die Integration von Techniken des maschinellen Lernens mit adaptiven Suchheuristiken. Dies ermöglicht es, auf maschinellem Lernen basierende Vorhersageansätze auf Konfigurationsszenarien zu übertragen und die Vorhersage zukünftiger Benutzerpräferenzen zu optimieren. Zweitens werden wir bestehende algorithmische Ansätze parallelisieren, insbesondere bei der Konflikterkennung und direkten Diagnose [JUN2004, FSZ2012]. Die Parallelisierung auf algorithmischer Ebene, beispielsweise auf der Ebene der Konflikterkennung, bietet die Möglichkeit, Umgebungen wie Java ForkJoin auszunutzen, die die Implementierung parallelisierter Algorithmen unterstützen.