arXiv 论文比较 A* 与 SAT 等方法求解 Flood-It 谜题
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载用启发式压缩搜索空间
这项研究围绕 Flood-It 谜题展开，目标是找出步数最少的通关操作序列。作者采用 A* 搜索作为主线，并对其做了针对性改造：一方面选用合适的启发函数来引导扩展方向，另一方面利用游戏状态之间存在的等价关系，把本质上相同的局面归并处理，从而削减需要探索的节点数量。论文对这两项改造分别做了系统评估，作者认为由此得到的经验并不局限于这一款谜题，也能迁移到其他搜索问题上。作为对照，作者同时实现了基于 SAT、整数规划与约束规划求解器的声明式方案，并把每种方案各自表现最好的变体放在一起比较。
七成五实例中A*最快
在寻找最小解这一目标下，改造后的 A* 在约 75% 的受测 Flood-It 实例上耗时最短。作者对此的解释是，A* 本身就以最小化解的长度为搜索目标，方向与任务一致。SAT 方案的设计出发点不同，它处理的是判定问题，即给定长度是否存在可行解；要得到最短步数，必须反复调用求解器、逐步试探长度，因此多了一层迭代开销。这也解释了为何在多数实例上 A* 占优。
复杂度上升后SAT反超
比较并未停在单一维度。作者用最小解长度来衡量谜题复杂度，并观察到随着该长度增加，SAT 方案的表现会超过 A*，两者存在一个交叉点。论文还把比较扩展到判定问题本身：只问某个长度是否有解时，A* 仍在数量最多的谜题上表现最好，但 SAT 反超所对应的复杂度门槛比求最小解时更低。这意味着两种路线的优劣取决于任务形态与规模，而非一方全面胜出。
对使用者的取舍提示
这些结果给出的实践含义是：若需要最短操作序列且实例规模有限，经过启发函数与状态等价优化的 A* 是更快的选择；若实例的最小解较长，或任务本身只要求判断给定长度是否可行，声明式求解器更值得考虑。论文的评估是逐项拆开进行的，读者可以据此判断哪一项改造带来了多少收益，并对照自身问题的结构决定是否照搬。全文正文 22 页、合计 35 页，含 13 幅图与附录中的 12 幅图。
为什么值得看
对搜索与声明式求解器的取舍给出了可量化的对比，适合关注组合优化与启发式设计的人参考。
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。