Leer cada tablero fuerte para detectar los hábitos que, en silencio, limitan un tablero, y luego romperlos. Este experimento produjo el mejor tablero del proyecto: 463 de 480.
Reproducirestocástico — no se reproduce exactamente; el tablero es verificable·revalida un tablero guardado·Presupuesto: ~30 min × 6 seeds (exploratory run, not the standardized single-core bench)
Pipeline
1
minería de corpus
Basin-separated frequencies split shared structure from the shared trap, building a trap map
aporta: Consensus-trap map: pairs common everywhere but absent from the very best boards
2
ALNSaún sin documentar
From a 461 board, deliberately break the trap cells and let destroy-and-repair rebuild them, reaching 463
Complejidad
Tiempo
corpus mining O(B·P) for B boards × P interior pairs (P = 480); ALNS attack 30 min × 6 seeds
Espacio
O(P·K) for the persistence table (K distinct piece-pairs per position)
The mining pass is linear in the corpus; the cost is the downstream ALNS search it steers, not the statistics.
Hardware y ejecución
Ejecución nativaSolo CPU
4.0núcleos·hora
Núcleos
8
RAM
16 GiB
GPU
0
CPU
Apple M1
Máquina
MacBook (Apple M1, 8 cores)
Presupuesto
~30 min × 6 seeds (exploratory run, not the standardized single-core bench)
estocástico — no se reproduce exactamente; el tablero es verificable
Esto verifica el tablero, no la búsqueda que lo produjo.
just research-record-boards
The command re-scores the committed 463 board from its raw Bucas edges; it re-verifies the stored artifact, not the stochastic ALNS search that found it.
Hasta ahora, cada experimento del estudio
ha confiado en el acuerdo entre tableros fuertes: allí donde los buenos tableros
concuerdan, se los sigue. PALIMPSEST es el momento en que esa confianza se examina,
y produjo el mejor tablero del proyecto. Cuando muchas búsquedas independientes
alcanzan todas un tablero alto pero imperfecto, tienden a coincidir en muchas
colocaciones. Parte de ese acuerdo es estructura auténtica, y otra parte es un mal
hábito compartido: una elección local que parece buena y mantiene cada búsqueda
atascada justo por debajo de la cima. La idea de este experimento es leer todo el
corpus de tableros fuertes, separar el acuerdo útil de la trampa, y atacar las
trampas.
Se toma cada tablero que alguien haya encontrado y que puntúe razonablemente bien,
y para cada par de posiciones vecinas se cuenta cuántas veces se sitúa allí un par
de piezas dado, ponderado por lo bueno que era el tablero. Emergen dos patrones.
Algunas adyacencias aparecen una y otra vez en los mejores tableros: son estructura
segura, real. Otras aparecen casi en todas partes pero nunca en los tableros de
cabeza: esas son las trampas, las elecciones que parecen acertadas y limitan la
puntuación.
Las trampas se agrupan en regiones concretas del tablero en lugar de repartirse de
forma uniforme. Saber dónde están convierte el corpus en un mapa: qué colocaciones
seguir, y cuáles desmontar y reconstruir. Agrupar los tableros según cómo están
dispuestas sus esquinas orienta entonces la búsqueda hacia la familia más
prometedora a atacar.
▶Interactivo: el mapa de trampas, familia de esquinas por familia de esquinasExplorar →
Utilizada como un mapa para orientar la búsqueda, esta aproximación alcanzó 463 de
las 480 aristas emparejadas, el mejor tablero que este proyecto ha producido. A
título de comparación, el mejor tablero de la comunidad en este puzzle es 470, y
una solución completa cuenta 480.
Una salvedad que merece señalarse: intentar usar directamente la lista de trampas,
forzando la búsqueda a evitar las colocaciones atrapadas, no funcionó por sí solo y
tendía a empeorar los tableros. El valor estaba en leer el corpus para elegir dónde
concentrar el esfuerzo, no en codificar en duro sus conclusiones dentro de la
búsqueda.
Para el lector que quiere el procedimiento exacto. Se ejecuta en dos pasadas.
1. Minería de consenso ponderada por la puntuación y separada por cuenca. Sobre
un corpus de tableros cuya puntuación va de 400 a 480, para cada par de celdas
adyacentes (i,j,dir) y cada par de piezas que alguna vez se sitúa allí,
se calculan dos frecuencias en lugar de una:
phigh(pair)pall(pair)=#{boards with score≥460}#{boards with the pair, score≥460}=#{all boards}#{boards with the pair}
junto con un techo: la puntuación máxima de cualquier tablero que contenga ese
par. Es el techo, y no phigh, lo que separa las dos categorías. El buen
consenso es un pall alto con un techo que alcanza la familia de cabeza,
tableros al nivel del mejor del proyecto (463) o a un punto de él: patrones que los
tableros más fuertes conservan, así que estructura fiable. Las trampas de
consenso son un pall alto con un techo que se cala un par de puntos más
abajo, sin que ningún tablero portador del par supere los 460-y-pico: la elección
errónea consensuada que bloquea a toda una familia por debajo del récord. El corte
se sitúa entre «alcanza la cima» y «se cala justo por debajo»; en este corpus
pequeño (un techo de 463, tableros agrupados desde los 450 altos hasta los 460
bajos) se fija a mano en lugar de barrerse, y phigh (puntuación ≥ 460)
se reporta al lado pero no es el discriminante. La vista de frecuencia única (la
persistencia sola) no puede distinguirlos; separar por techo es todo el truco.
2. ALNS de destrucción de trampas. Se toma un tablero de 461 (se sitúa dentro
de la cuenca de trampas por construcción), se localizan los ~50 pares-trampa mejor
clasificados que contiene, y se encuentra la cuña: la posición cuya eliminación
rompe la mayor cantidad de pares-trampa mientras preserva los de buen consenso.
Luego se perturban esas celdas trampa, se cambian por piezas no atrapadas,
introduciendo de 4 a 8 discordancias deliberadas, y se devuelve el tablero a la
búsqueda adaptativa de gran vecindario.
El operador de destrucción de la peor banda de ALNS rasga preferentemente
exactamente esas regiones rotas intencionadamente y las reconstruye. Ejecución: 30
minutos × 6 semillas.
La complejidad es poco notable: la pasada de minería es lineal en el tamaño del
corpus, y el coste real es la búsqueda ALNS que orienta. La contribución reside en
el dónde dirige esa búsqueda, no en una nueva búsqueda.
El verificador just research-record-boards recalcula la puntuación en aristas
emparejadas del tablero de 463 versionado a partir de sus aristas Bucas en bruto y
comprueba que iguala lo anunciado, de modo que el tablero es reproducible y
verificable byte a byte en el visor. La búsqueda que lo encontró es una ejecución
estocástica del motor ALNS compartido (30 min × 6 semillas), orientada por el mapa
de trampas descrito arriba. No reproducirá el mismo tablero, razón por la cual el
artefacto de referencia es el tablero, no una nueva ejecución. La orientación se lee
de un corpus de tableros fuertes, de modo que la ejecución no se reproduce aquí
desde cero.
¿Por qué la reconstrucción de las regiones atrapadas tiende a recaer sobre el mismo
tablero de cabeza ya conocido en lugar de sobre uno realmente nuevo? ¿Revelaría un
mapa distinto por familia de esquinas una estructura que el mapa combinado oculta?
¿Y ayudaría una penalización suave para las colocaciones atrapadas allí donde una
prohibición estricta perjudicó?