本文讨论了分布式约束推理中的变量和值对称性，以及在分布式环境中表示和传播它们的有效方法。与通常使用的根据全局定义检测对称性的集中式方法不同，我们建议在单个约束级别定义对称性，然后定义对这些对称性的操作，以便通过在高效的分布式约束推理算法中生成的深度优先搜索树来传播它们。在我们的算法中，我们用一个代价列表来表示约束（或效用函数）：虽然通常的表示方法列出了一个赋值的一个代价，但我们通过为一类等价赋值只保留一个代价来大幅减少该列表的大小。实际上，对于约束n个定义在域上的对称变量n个对称值，此方法从n个^n个到第页(n个)（的配分函数n个)，即从10开始¹⁰到42时n个= 10. 此后，我们设计了算法来处理效用函数的稀疏表示，并在分布式代理之间传播它们以及对称信息。我们实现了这种新的约束表示，并用DPOP算法对具有丰富对称性的分布式图着色问题进行了测试。我们的评估表明，在19%的执行实例中，我们减少了10倍的通信开销，而在非对称执行中没有出现显著的开销。这些结果为分布式约束推理问题的某些子类中内存和通信带宽消耗的可能边界打开了一个严肃的视角。