Saltar al contenido

Aprendizaje de cláusulas frente a propagación: un resultado negativo

El aprendizaje de cláusulas no da ninguna ventaja creciente sobre la simple propagación por consistencia de arco en prefijos erróneos de las piezas reales: la línea de parada fijada de antemano se activó sobre el trabajo acumulado, y en recuentos el aprendizaje vale 0 bits más que la consistencia de arco. Los tableros de juguete (5x5 a 7x7) apuntan en el mismo sentido sin establecerlo. Nada de esto es progreso en Eternity II.

por Raphaël Anjou

experimentocallejón sin salidamedidorefutadoMétodos exactosReducir la búsquedaBacktrackingActualizado 2026-11-14
Reproducirdeterminista: se reproduce bit a bitrevalida un tablero guardadoPresupuesto: Parte de piezas reales: 800 ejecuciones, 9,15 horas-núcleo, límite de 1.200 s por ejecución. Parte de juguete: límite de 3.500 s por ejecución, un solo hilo.
Hardware y ejecución
Ejecución nativaSolo CPU
0.0033núcleos·hora
Núcleos
10
RAM
32 GiB
GPU
0
Máquina
Portátil Apple M4 de 10 núcleos, 32 GB; portátil Apple M1 de 8 núcleos, 16 GB; portátil x86 de bajo consumo de 14 núcleos
Presupuesto
Parte de piezas reales: 800 ejecuciones, 9,15 horas-núcleo, límite de 1.200 s por ejecución. Parte de juguete: límite de 3.500 s por ejecución, un solo hilo.
Inicio
tableros de juguete, semillas 1 a 10 por tamaño; prefijos de las piezas reales con semilla 1000*profundidad + índice, los mismos para cada solver
Verificar el tablero guardado

determinista: se reproduce bit a bit

Esto verifica el tablero, no la búsqueda que lo produjo.

just experiments learning-vs-propagation

Vuelve a ejecutar los análisis y sus recálculos independientes sobre las salidas brutas versionadas (Python estándar, unos segundos). No relanza los cálculos de los solvers: 9,15 horas-núcleo la parte de piezas reales, más la de juguete.

Seguir explorando

Citado por

Fuente de la páginaVer como Markdown