动机：这是讲座系列中的一个小删减。我们不再关注顺序决策问题，而是转向存在许多耦合变量的问题。问题是找到与这些变量的耦合一致的值（或稍后的概率分布）。这是一个非常通用的问题设置，它适用于许多问题，而不仅仅是地图着色和数独。事实上，许多计算问题可以归结为约束满足问题或它们的概率类似物，即概率图模型。这还包括顺序决策问题，正如我在一些额外的讲座中提到的那样。此外，用于解决 CSP 的方法与离散优化非常密切相关。从我的角度来看，引入 CSP 的主要动机是作为引入其概率版本图模型的先行者。这些是机器学习、机器人技术、人工智能等领域中制定概率模型的核心语言。马尔可夫决策过程、隐马尔可夫模型以及我们在本讲座中无法讨论的许多其他问题设置都是图形模型的特殊情况。在 CSP 和图形模型这两种设置中，核心是理解进行推理的含义。树搜索、约束传播和信念传播是此上下文中最重要的方法。在本讲座中，我们首先定义 CSP 问题，然后介绍基本方法：使用一些启发式方法的顺序分配、回溯和约束传播。