[论文解读] Heuristic Reasoning on Graph and Game Complexity of Sudoku

Zhe Chen|ArXiv.org|Mar 9, 2009

graph theory and CDMA systems参考文献 9被引用 3

一句话总结

本文提出了一种基于图的启发式推理框架，用于求解数独谜题并定量衡量其游戏复杂度。通过将数独建模为带有约束边的有向图，并应用 r-Reduction 和推理定理，该方法仅使用 r-Reduction 即可解决 100% 的简单和中等难度谜题，以及 70.5% 的困难谜题，通过最少的推理（平均每道谜题 1.6 次推理）实现完整求解，同时提出了一种基于熵的游戏复杂度度量，能完美区分三个难度层级的复杂度。

ABSTRACT

The Sudoku puzzle has achieved worldwide popularity recently, and attracted great attention of the computational intelligence community. Sudoku is always considered as Satisfiability Problem or Constraint Satisfaction Problem. In this paper, we propose to focus on the essential graph structure underlying the Sudoku puzzle. First, we formalize Sudoku as a graph. Then a solving algorithm based on heuristic reasoning on the graph is proposed. The related r-Reduction theorem, inference theorem and their properties are proved, providing the formal basis for developments of Sudoku solving systems. In order to evaluate the difficulty levels of puzzles, a quantitative measurement of the complexity level of Sudoku puzzles based on the graph structure and information theory is proposed. Experimental results show that all the puzzles can be solved fast using the proposed heuristic reasoning, and that the proposed game complexity metrics can discriminate difficulty levels of puzzles perfectly.

研究动机与目标

• 将数独正式建模为有向图，以支持结构化推理与算法开发。
• 基于 r-Reduction 和推理定理，开发一种启发式求解算法，实现高效谜题求解。
• 提出一种基于信息论的定量游戏复杂度度量，其与人类感知的难度层级具有相关性。
• 在真实世界数独谜题（包括困难和极端难度实例）上评估所提求解算法与复杂度度量的有效性。
• 探索仅依靠启发式推理是否足以解决所有数独谜题而无需回溯。

提出的方法

• 将数独建模为有向图 G = (V, E)，其中顶点表示单元格，边表示行、列和宫格约束。
• 定义顶点候选集 v_ij 为单元格 (i,j) 的可能取值集合，若该单元格预先填入值 k，则初始化为 {k}。
• 提出 r-Reduction 定理：若某一数值 r 在某单元格的约束邻居候选集内仅出现一次，则可将该值分配给该单元格。
• 应用推理定理，传播约束并减少连通顶点间的候选集。
• 使用信息论熵计算游戏复杂度：H = -Σ p_i log p_i，其中 p_i 为数值 i 在单元格候选集中出现的概率。
• 实现一种结合 r-Reduction 与推理步骤的求解算法，复杂度以每道谜题的平均推理次数衡量。

实验结果

研究问题

• RQ1 能否通过形式化的基于图的表示与启发式推理，有效建模并求解数独谜题？
• RQ2 r-Reduction 规则在无需回溯的情况下求解数独谜题的效率如何？
• RQ3 基于熵的所提游戏复杂度度量是否能准确反映人类感知的数独谜题难度层级？
• RQ4 所提启发式算法的计算复杂度是多少？其在不同难度层级上的可扩展性如何？
• RQ5 单一启发式规则（如 r-Reduction）是否足以解决所有数独谜题，还是需要额外的推理？

主要发现

• 仅 r-Reduction 规则即解决了 100% 的简单和中等难度谜题，以及 70.5% 的困难谜题，展现出强大的启发式能力。
• 加入推理规则后，成功完整求解了全部 10,000 道困难谜题，平均每道谜题仅需 1.6 次推理。
• 基于熵的复杂度度量完美区分了难度层级：简单（0.5362–0.9046）、中等（1.2246–1.3965）和困难（1.6946–1.8189）。
• 未解谜题的平均复杂度（1.75349）高于已解谜题（1.75226），证实了该度量的区分能力。
• 该算法在 91 次推理内成功求解了著名的高难度谜题 'AI Escargot'，并在其他 21 道困难谜题上共使用 2,442 次推理（平均每道 116 次）。
• 由于所需推理次数极少，即使在困难谜题上，实际计算复杂度仍接近多项式时间。