在一些重要的约束规划应用领域，如调度、排序、规划等，出现了csp, csp除了必须满足的约束外，还有一个必须优化的目标函数f。在不丧失通用性的前提下，我假定下面的目标是找到一个最小化f的解，并且f是CSP所有变量的函数。我还假设在CSP模型中添加了一个变量c，并且约束为等于目标函数;即c = f(X)，其中X是CSP中的变量集。我称之为目标约束 objective constraint。
优化求解csp，常用的方法是通过求解一系列csp得到最优解;即一系列的满意度问题。文献中已经提出并评价了几种变体。Van Hentenryck[128]提出了一种基于约束的分支绑定版本。首先，回溯搜索用于找到满足约束条件的任意解p。然后将一个约束添加到表单c < f(S)的CSP中，该约束排除了并不比该解决方案更好的解决方案。然后找到增强的CSP的新解决方案。这个过程重复进行，直到得到的CSP无法满足，在这种情况下，最后找到的解决方案被证明是最优的。Baptiste、Le Pape和Nuijten[9]建议对c的可能值进行迭代，方法是:(i)从dom(c)中的最小值迭代到最大值，直到找到解决方案;(ii)从最大值迭代到最小值，直到不再找到解决方案;当然，每一次我们都在用回溯搜索算法解决一个满意度问题。为了使这些方法有效，必须将约束传播技术应用于目标约束。例如，关于调度中出现的几个目标函数的目标约束的传播技术，请参见[9，第5章]。