约束规划(CP)
数独是一个典型的约束规划问题。你有一套变量(网格中的字段)每个字段都有一个domain(这里的数字0
to 9
)和一组限制条件在这些变量上(事实上,一个数字在行、列、块中只出现一次)。
解决约束规划问题的通用方法是电弧一致性(AC): 你传播限制条件。通过(部分)填充的变量,您可以缩小剩余变量的域等。最后,如果传播不再可以使域变小,则必须制作一个choice.
通过选择,您可以为某个特定值选择一个值variable。一个好的策略是选择一个剩下少量可能值的变量。接下来你再次传播并可能做出另一个选择等等。
您的程序可能会发现某个选择是错误的:它使一个或多个变量的域为空。在这种情况下,你回溯:您撤消之前所做的选择(以及该选择之后完成的传播)并选择另一个值。
这个答案显然不是为了提供对该主题的深入概述,而是维基百科页面可以提供更好的概述并指向更多信息。
有约束规划求解器喜欢ECLiPSe(不是 IDE),MiniZinc等等,可以简单地定义变量、域和约束。
使用 ECLiPSe 解决问题
在 ECLiPSe 网站上,您可以找到数独模型。如果您阅读了一些有关 ECLiPSe 的文档,您可以将此文件转换为多数独模型。我做了一些小的修改,结果如下又快又脏解决方案:
% credits to Joachim Schimpf for his model of sudoku
% http://eclipseclp.org/examples/sudoku.ecl.txt
:- lib(ic).
:- import alldifferent/1 from ic_global.
solve(ProblemName) :-
problem(ProblemName,BA,BB),
multi_sudoku(3,BA,BB),
print_board(BA),
print_board(BB).
multi_sudoku(N,BA,BB) :-
sudoku(N,BA,VA),
sudoku(N,BB,VB),
N2 is N*N,
Inc is N2-N,
(multifor([I,J],1,N,1),param(BA,BB,Inc) do
BA[I+Inc,J+Inc] #= BB[I,J]
),
append(VA,VB,Vars),
labeling(Vars).
sudoku(N,Board,Vars) :-
N2 is N*N,
dim(Board,[N2,N2]),
Board[1..N2,1..N2] :: 1..N2,
( for(I,1,N2), param(Board,N2) do
Row is Board[I,1..N2],
alldifferent(Row),
Col is Board[1..N2,I],
alldifferent(Col)
),
( multifor([I,J],1,N2,N), param(Board,N) do
( multifor([K,L],0,N-1), param(Board,I,J), foreach(X,SubSquare) do
X is Board[I+K,J+L]
),
alldifferent(SubSquare)
),
term_variables(Board, Vars).
print_board(Board) :-
dim(Board, [N,N]),
( for(I,1,N), param(Board,N) do
( for(J,1,N), param(Board,I) do
X is Board[I,J],
( var(X) -> write(" _") ; printf(" %2d", [X]) )
), nl
), nl.
%----------------------------------------------------------------------
% Sample data
%----------------------------------------------------------------------
problem(1, [](
[](_, _, _, _, 6, _, _, _, _),
[](_, _, _, 4, _, 9, _, _, _),
[](_, _, 9, 7, _, 5, 1, _, _),
[](_, 5, 2, _, 7, _, 8, 9, _),
[](9, _, _, 5, _, 2, _, _, 4),
[](_, 8, 3, _, 4, _, 7, 2, _),
[](_, _, _, 2, _, 8, _, _, _),
[](_, _, _, 6, _, 4, _, _, _),
[](_, _, _, _, 5, _, _, _, _)
),
[](
[](_, _, _, _, 3, _, _, _, _),
[](_, _, _, 8, _, 7, _, _, _),
[](_, _, _, 1, _, 6, 3, _, _),
[](_, 9, 8, _, _, _, 1, 2, _),
[](2, _, _, _, _, _, _, _, 3),
[](_, 4, 3, _, _, _, 6, 5, _),
[](_, _, 7, 3, _, 5, 9, _, _),
[](_, _, _, 4, _, 2, _, _, _),
[](_, _, _, _, 6, _, _, _, _)
)
).
我从 Joachim Schimpf 那里“借用”了数独模型,这要归功于他。另外请注意,这个答案并不建议使用ECLiPSe超过另一个工具。在约束编程方面,我只是更熟悉 Prolog 工具链。但如果你更喜欢 C++,Gecode将以大致相同(甚至更好)的性能完成任务。
生成输出:
ECLiPSe Constraint Logic Programming System [kernel]
Kernel and basic libraries copyright Cisco Systems, Inc.
and subject to the Cisco-style Mozilla Public Licence 1.1
(see legal/cmpl.txt or http://eclipseclp.org/licence)
Source available at www.sourceforge.org/projects/eclipse-clp
GMP library copyright Free Software Foundation, see legal/lgpl.txt
For other libraries see their individual copyright notices
Version 6.1 #199 (x86_64_linux), Sun Mar 22 09:34 2015
[eclipse 1]: solve(1).
lists.eco loaded in 0.00 seconds
WARNING: module 'ic_global' does not exist, loading library...
queues.eco loaded in 0.00 seconds
ordset.eco loaded in 0.01 seconds
heap_array.eco loaded in 0.00 seconds
graph_algorithms.eco loaded in 0.03 seconds
max_flow.eco loaded in 0.00 seconds
flow_constraints_support.eco loaded in 0.00 seconds
ic_sequence.eco loaded in 0.01 seconds
ic_global.eco loaded in 0.07 seconds
2 1 4 8 6 3 9 5 7
8 7 5 4 1 9 2 6 3
6 3 9 7 2 5 1 4 8
4 5 2 3 7 1 8 9 6
9 6 7 5 8 2 3 1 4
1 8 3 9 4 6 7 2 5
5 4 1 2 3 8 6 7 9
7 2 8 6 9 4 5 3 1
3 9 6 1 5 7 4 8 2
6 7 9 5 3 4 2 8 1
5 3 1 8 2 7 4 6 9
4 8 2 1 9 6 3 7 5
7 9 8 6 5 3 1 2 4
2 6 5 7 4 1 8 9 3
1 4 3 2 8 9 6 5 7
8 2 7 3 1 5 9 4 6
9 1 6 4 7 2 5 3 8
3 5 4 9 6 8 7 1 2
我的机器大约花了 0.11 秒。此外,总共有 60 个有效的解决方案。
最后两个“矩阵”显示了两个数独的解决方案。正如您所看到的(我还没有完全检查),它们共享一个块(相同的输出),并且所有数独约束都是有效的。该解决方案的更方便的表示如下所示:
+-----+-----+-----+
|2 1 4|8 6 3|9 5 7|
|8 7 5|4 1 9|2 6 3|
|6 3 9|7 2 5|1 4 8|
+-----+-----+-----+
|4 5 2|3 7 1|8 9 6|
|9 6 7|5 8 2|3 1 4|
|1 8 3|9 4 6|7 2 5|
+-----+-----+-----+-----+-----+
|5 4 1|2 3 8|6 7 9|5 3 4|2 8 1|
|7 2 8|6 9 4|5 3 1|8 2 7|4 6 9|
|3 9 6|1 5 7|4 8 2|1 9 6|3 7 5|
+-----+-----+-----+-----+-----+
|7 9 8|6 5 3|1 2 4|
|2 6 5|7 4 1|8 9 3|
|1 4 3|2 8 9|6 5 7|
+-----+-----+-----+
|8 2 7|3 1 5|9 4 6|
|9 1 6|4 7 2|5 3 8|
|3 5 4|9 6 8|7 1 2|
+-----+-----+-----+
我不知道 Python 中的约束编程库,也不知道ECLiPSe到Python。但我的经验是所有现代编程语言都有这样的工具。
The 优势使用约束编程工具,例如ECLiPSe, Gecode,...首先你只需要specify您的问题,如何解决是您不必担心的。此外,此类库对约束编程进行了 30 年的研究:它们经过极其优化,以大多数人无法想象的方式利用约束和结构,并且不太可能包含错误(与定制算法相比)。此外,如果发现新的策略、算法……,则会更新ECLiPSe将导致模型的处理速度更快。
A 坏处是一些困难问题仍然无法使用约束编程来解决:搜索空间太大,约束太复杂,域不能简化为小集合,并且没有足够的处理能力来做出足够的choices以便找到有效的解决方案。另一个缺点是指定问题并不总是那么容易:尽管程序员的目标是设计良好的约束,但总是存在没有定义易于使用的约束的复杂问题。
其他技术
显然还有其他人工智能技术可以解决问题。常用于解决硬搜索和优化问题的技术是进化计算:首先填写数独,允许某些值是错误的,然后在每个时间步骤中,他们的目标是修复一个或多个字段。有时他们会引入新的错误,以便最终找到有效的解决方案。