[论文解读] Playing Mastermind with Many Colors

Carola Doerr, Doerr, Carola+2 more|arXiv (Cornell University)|Jul 3, 2012

Algorithms and Data Compression参考文献 26被引用 13

一句话总结

本文提出了一种针对具有 $ n $ 个位置和 $ k $ 种颜色的 Mastermind 游戏的随机化策略，在 $ k = n $ 时实现 $ O(n\log\log n) $ 次猜测，当同时使用黑 peg 和白 peg 时，$ k $ 最高可达 $ n^2\log\log n $。该方法通过利用先进的概率分析和自适应猜测，改进了 Chvátal 长期以来的 $ O(n\log n) $ 上界，显著降低了高色域下的查询复杂度。

ABSTRACT

We analyze the general version of the classic guessing game Mastermind with $n$ positions and $k$ colors. Since the case $k \le n^{1-\varepsilon}$, $\varepsilon>0$ a constant, is well understood, we concentrate on larger numbers of colors. For the most prominent case $k = n$, our results imply that Codebreaker can find the secret code with $O(n \log \log n)$ guesses. This bound is valid also when only black answer-pegs are used. It improves the $O(n \log n)$ bound first proven by Chvátal (Combinatorica 3 (1983), 325--329). We also show that if both black and white answer-pegs are used, then the $O(n \log\log n)$ bound holds for up to $n^2 \log\log n$ colors. These bounds are almost tight as the known lower bound of $Ω(n)$ shows. Unlike for $k \le n^{1-\varepsilon}$, simply guessing at random until the secret code is determined is not sufficient. In fact, we show that an optimal non-adaptive strategy (deterministic or randomized) needs $Θ(n \log n)$ guesses.

研究动机与目标

• 为具有 $ k=n $ 种颜色的 Mastermind 问题，弥合 $ \Omega(n) $ 的下界与 $ O(n\log n) $ 的上界之间的长期差距。
• 设计一种策略，使在 $ k \geq n $ 的一般情况下（尤其是同时使用黑 peg 和白 peg 时）能够实现 $ O(n\log\log n) $ 次猜测。
• 分析在高色域下（$ k > n^{1-\varepsilon} $）Mastermind 的查询复杂度，该领域此前理解甚少。
• 证明当 $ k \geq n $ 时，单纯随机猜测不足以实现最优性能，并且非自适应策略需要 $ \Theta(n\log n) $ 次猜测，凸显自适应设计的必要性。

提出的方法

• 采用基于黑 peg 和白 peg 所提供信息的概率分析的随机自适应策略来选择猜测。
• 应用概率方法，利用集中不等式来界定唯一识别出秘密代码所需的猜测次数。
• 使用 Chernoff 不等式和二项尾部估计来分析随机猜测无法区分秘密代码的概率。
• 对函数 $ p(d,k) $ 进行精细化分析，该函数表示在 $ d $ 个位置颜色不同的随机猜测中，失败区分代码的概率。
• 推导出猜测次数 $ N $ 的边界，使得失败概率低于 $ n^{-2} $，从而以高概率确保成功。
• 证明当 $ k \leq n^{2}\log\log n $ 时，即使同时使用黑 peg 和白 peg，$ O(n\log\log n) $ 的上界依然成立，该结论通过尾部界限与对数近似相结合得出。

实验结果

研究问题

• RQ1 对于 $ k = n $ 种颜色，Mastermind 的查询复杂度能否超越 $ O(n\log n) $？
• RQ2 当 $ k > n^{1-\varepsilon} $ 时，Mastermind 的渐近查询复杂度是多少，特别是针对 $ k = n $ 和 $ k = n^2\log\log n $ 的情况？
• RQ3 对于 $ k = n $，随机猜测是否足够，还是必须采用自适应策略才能实现亚 $ O(n\log n) $ 的性能？
• RQ4 对于 $ k = n $，最优的非自适应策略复杂度是多少？其在确定性与随机化设置下是否存在差异？
• RQ5 在高色域下，白 peg 如何影响查询复杂度？

主要发现

• 对于 $ k = n $，本文建立了 $ O(n\log\log n) $ 的猜测次数上界，优于 Chvátal 的 $ O(n\log n) $ 上界。
• 即使在仅使用黑 peg 的变体中，该 $ O(n\log\log n) $ 上界依然成立，表明白 peg 并非实现此改进的必要条件。
• 当 $ k \leq n^2\log\log n $ 时，若同时使用黑 peg 和白 peg，该 $ O(n\log\log n) $ 上界依然适用，将结果推广至更广泛的 $ k $ 范围。
• 本文证明，对于 $ k = n $，非自适应策略（无论确定性或随机化）均需 $ \Theta(n\log n) $ 次猜测，表明实现更优上界必须依赖自适应设计。
• 分析表明，对于 $ k \geq n $，仅靠随机猜测是不够的，因为其无法达到 $ O(n\log\log n) $ 的上界，因此必须采用结构化的自适应策略。
• 结果几乎紧致，因为 $ \Omega(n) $ 的信息论下界表明 $ O(n\log\log n) $ 渐近上界已接近最优。