El Caos Dentro Del Sudoku Informes Cientificos

1/11/2020 El caos dentro del Sudoku | Informes científicos
Buscar Iniciar sesión
Explore Información Diario
naturaleza informes científicos artículos artículo
Descargar PDF
Acceso abierto Publicado: 11 de octubre de 2012
El caos dentro del Sudoku

Mária Ercsey-Ravasz yZoltán Toroczkai
Informes científicos 2 , Número de artículo: 725 ( 2012 )

7667 Accesos 26 citas 74 Altmétrico Métrica
Resumen
La estructura matemática de los acertijos de Sudoku es similar a los problemas de

satisfacción de restricciones que se encuentran en la base de muchas aplicaciones,
incluido el plegamiento de proteínas y el problema del estado fundamental de los
sistemas de espín vítreo. A través de un mapeo exacto del Sudoku en un sistema
dinámico determinista de tiempo continuo, aquí mostramos que la dificultad del Sudoku
se traduce en un comportamiento caótico transitorio exhibido por este sistema. También
mostramos que la tasa de escape κ, un invariante del caos transitorio, proporciona una
medida escalar de la dureza del rompecabezas que se correlaciona bien con las
calificaciones de dificultad humana. En consecuencia, η = −log κ se puede utilizar para
10
definir una escala de tipo "Richter" para la dureza del rompecabezas, con rompecabezas
fáciles con 0 <η ≤ 1, medios 1 <η ≤ 2, difíciles con 2 <η ≤ 3 y ultraduros con η> 3 Hasta
donde sabemos, no se conocen rompecabezas con η> 4.
https://www.nature.com/articles/srep00725 1/30
Descargar PDF
Introducción
En Sudoku, considerado como uno de los puzzles más populares del mundo 1 , tenemos
que rellenar las celdas de una cuadrícula de 9 × 9 con números enteros del 1 al 9 de
forma que en todas las filas, todas las columnas y en nueve bloques de 3 × 3 aparezca
cada dígito exactamente una vez, respetando un conjunto de dígitos dados previamente
en algunas de las celdas (las llamadas pistas). Sudoku es un problema de satisfacción de
restricción de tipo de cobertura exacta 2 y es uno de los 21 problemas NP-completos 3
de Karp , cuando se generaliza a cuadrículas N × N 4 . Los problemas NP-completos son
"intratables" (a menos que P = NP) 2 , 5en el sentido de que todos los algoritmos
conocidos que calculan soluciones para ellos lo hacen en un tiempo exponencial en el
peor de los casos (en el número de variables N ); a pesar del hecho de que si se le da una
solución candidata, solo se necesita tiempo polinomial para verificar su corrección.
La intratabilidad de los problemas NP-completos tiene consecuencias importantes, que

van desde la criptografía de clave pública hasta la mecánica estadística. En el último caso,
para el problema del estado fundamental de los vasos de espín Ising (± 1 espines), se
necesita encontrar la configuración de energía más baja entre todas las 2 N posibles
configuraciones de espín, donde N es el número de espines. Además, para describir el
comportamiento estadístico de tales modelos de espín de Ising, se tiene que calcular la
función de partición, que es una suma de todas las 2 N configuraciones. Barahona 6 ,
luego Istrail 7 han demostrado que para las redes cristalinas no planas, el problema del
estado fundamental y el cálculo de la función de partición son NP-completo 7. Dado que
hay pocas esperanzas en proporcionar algoritmos de tiempo polinomial para problemas
NP-completos, el enfoque se desplazó hacia la comprensión de la naturaleza de la
complejidad que impide soluciones rápidas a estos problemas. Ha habido un trabajo
considerable en esta dirección, especialmente para el problema de satisfacibilidad
booleano SAT (o k -SAT), que es NP-completo para k ≥ 3. Completitud significa que
todos los problemas en NP (por lo tanto, Sudoku también), se pueden traducir en tiempo
polinomial y formulado como un problema k -SAT, como lo muestran por primera vez
Cook y Levin 2 . Es decir, cualquier problema en NP se puede resolver mediante una
pequeña cantidad de llamadas a un k-SAT solver y un polinomio número de pasos (en el
tamaño de la entrada) fuera de la subrutina que invoca el k -SAT solver.
En k -SAT se nos dan N variables booleanas a las que debemos asignar unos o ceros
(VERDADERO o FALSO) de modo que un conjunto dado de cláusulas en forma normal
conjuntiva, cada una de las cuales contiene k o menos literales (literal: una variable
booleana o su negación) están todos satisfechos, es decir, se evalúan como VERDADERO.
Al igual que para el modelo de vidrio giratorio, aquí también tenemos exponencialmente
muchas (2 N ) configuraciones o asignaciones para buscar.
A continuación, tratamos los algoritmos como sistemas dinámicos . Un algoritmo es un

conjunto finito de instrucciones que actúan en algún espacio de estado, aplicado
iterativamente desde un estado inicial hasta que se alcanza un estado final. Por ejemplo,
el algoritmo más simple para el problema de estado del modelo de tierra Ising, o el
problema 3-SAT serían exhaustivamente probando potencialmente todos los 2 N
configuraciones, que se convierte rápidamente prohibiendo con el aumento de N . Para
mejorar el rendimiento, los algoritmos se han vuelto más sofisticados al explotar la
estructura del problema (del espacio de estados). En consecuencia, ahora 3-SAT se puede
resolver mediante un algoritmo determinista con un límite superior de O (1.473 N ) pasos
8
. Aquí solo trataremos con algoritmos deterministas, es decir, una vez que se da un
estado inicial, la "trayectoria" del sistema dinámico se determina de forma única. Por
tanto, esperamos que la dinámica de los algoritmos que explotan la estructura de los
problemas difíciles refleje la complejidad inherente al problema en sí. El comportamiento
complejo de los sistemas dinámicos deterministas se denomina caos en la literatura 9 , 10 ,
11 , 12 , 13
y, por lo tanto, se espera que el comportamiento de los algoritmos para
problemas difíciles parezca muy irregular o caótico 14 .
Aunque la teoría de los sistemas dinámicos no lineales y el caos está bien establecida,
aún no se ha explotado en el contexto de los algoritmos de optimización. Una de las
dificultades radica en el hecho de que la mayoría de los algoritmos de optimización son

discretos y no se adaptan fácilmente a los métodos de la teoría del caos. Recientemente,
sin embargo, hemos proporcionado 15 un solucionador determinista de tiempo continuo
para el problema de satisfacibilidad booleano k -SAT usando ecuaciones diferenciales
ordinarias acopladas (ODE) con una correspondencia uno a uno entre k- Clústeres de
soluciones SAT y los atractores del correspondiente sistema de ODEs. Este sistema
dinámico de tiempo continuo (CTDS) tiene una forma naturalmente adecuada para los
métodos de la teoría del caos y, por lo tanto, nos permite estudiar la relación entre la
dureza de la optimización y el comportamiento caótico. Aquí nos centraremos solo en
instancias resolubles (satisfactorias) y, por lo tanto, el comportamiento caótico
observado será necesariamente transitorio 11 , 12 , 13 , 16 , 17 . Sin embargo, debemos
enfatizar que las propiedades dinámicas caracterizan tanto el problema como el
algoritmo.sí mismo. Por esta razón, se comparan las propiedades dinámicas en
problemas de dureza variable utilizando el mismo algoritmo. Sin embargo, dado que hay
casos de problemas que son difíciles para todos los algoritmos conocidos, la aparición
de un caos transitorio con una vida útil prolongada debería ser una característica
universal de los problemas difíciles. También es importante observar que el caos
transitorio no es un comportamiento asintótico N → ∞ (donde N es el tamaño del
problema en términos de entrada o número de variables), pero aparece para N finito y,
por lo tanto, se pueden usar medidas de caos caracterizar y categorizar la dureza de
casos individuales de problemas finitos. Para ilustrar esto, aquí primero mapeamos la
popular versión 9 × 9 (por lo tanto finita) de Sudoku enk -SAT, luego lo resolvemos
usando nuestro solucionador determinista de tiempo continuo 15 . Al analizar el
comportamiento de las trayectorias correspondientes del CTDS mostramos la aparición
de un caos transitorio al aumentar la dureza de los problemas de Sudoku y mostramos
que el nivel de dureza (tomado de las calificaciones humanas de los acertijos) se
correlaciona bien con un invariante caótico, es decir el tiempo de vida del caos estimado
como κ −1 , donde κ se denomina tasa de escape 11 . Concluimos con una discusión
sobre el rendimiento algorítmico, las propiedades dinámicas y la complejidad del
problema.
Resultados
Sudoku como k -SAT
Debido a que nuestro sistema dinámico de tiempo continuo 15 fue diseñado para
resolver fórmulas k- SAT en forma normal conjuntiva (CNF), primero describimos
brevemente cómo se puede interpretar el Sudoku como una fórmula + 1-en-9-SAT y
luego cómo se transforma en el formulario CNF estándar. Se muestran más detalles en la
sección Métodos.
En un Sudoku, se nos da una cuadrícula cuadrada con 9 × 9 = 81 celdas, cada una de las
cuales debe llenarse con uno de los nueve símbolos (dígitos) , i , j = 1,…, 9
(con la esquina superior izquierda del rompecabezas correspondiente a i = 1, j = 1).
Cuando se completa el rompecabezas, cada una de las columnas, filas y subcuadrículas
de 3 × 3 (bloques divididos por líneas en negrita, Fig. 1a ) deben contener los 9 símbolos.
De manera equivalente, los 9 símbolos deben aparecer una y solo una vez en cada fila,
columna y subcuadrícula de 3 × 3.
Figura 1
Sudoku y su representación booleana.
(a) un acertijo típico con dígitos en negrita como pistas (datos). (b) Configuración de
la representación booleana en una cuadrícula de 9 × 9 × 9. (c) Capa L del
4
rompecabezas (la que contiene el dígito 4) con 1-s en la ubicación de las pistas y las
regiones bloqueadas para el dígito 4 por la presencia de las pistas (área sombreada).
Para formular Sudoku como un problema de satisfacción de restricciones (CSP) usando

variables booleanas, asociamos a cada símbolo (dígito) un conjunto ordenado de 9
variables booleanas (VERDADERO = “1”, FALSO = “0”). El dígito D ij en la celda ( i , j ) se
representará como el conjunto ordenado ( ) con , a = 1,…, 9, de manera
que siempre uno y solo uno de ellos es 1 (VERDADERO). En particular, D ij = a se
establece para ser equivalente a , donde δ a, b es la función delta de Kronecker. De
esta manera tenemos un total de 9 × 9 × 9 = 729 variables booleanas , que podemos
imaginar como colocadas en una cuadrícula 3D ( Fig.1b), con un correspondiente al
índice de la cuadrícula a lo largo de la dirección vertical y, por lo tanto, a es el dígito que
está llenando la celda correspondiente ( i , j ) en el rompecabezas original. La capa 2D
horizontal de 9 × 9 correspondiente a la altura a se indicará con L a . La introducción de
la noción de tales capas (horizontales) facilita la expresión de las restricciones de las
reglas del Sudoku sobre su representación por 0-sy 1-s como se describe a continuación.
Por ejemplo en el rompecabezas se muestra en la Fig. 1a , tenemos D = 4. En la
1,9
columna vertical dada la variable en el un ésimo celular (que está en la capa La ) es
(que se muestra como la variable booleana 1 que llena la celda junto al dígito 4 que se
muestra en rojo, en la Figura 1b ). Esta configuración nos permite codificar las
restricciones de Sudoku de una manera sencilla. Vienen de: 1) la unicidad de los dígitos
en todas las ( i , j ) celdas del Sudoku, 2) un dígito debe aparecer una y solo una vez en
cada fila, columna y en cada una de las nueve subcuadrículas de 3 × 3 y 3) obedecer las
pistas. El tipo de restricción 1) ya se expresó anteriormente, es decir, que para cada celda
( i , j ), en el conjunto ( ) una y solo una variable es VERDADERA, todas las demás
deben ser FALSAS. Tipo 2) las restricciones son similares, por ejemplo, en la fila iy la capa
L a el conjunto ( ) debe contener una y solo una variable VERDADERA, todas las
demás deben ser falsas y esto debe ser válido para todas las filas y capas, etc. Observe
que todas las restricciones están en forma de un conjunto de 9 variables booleanas de
las cuales exigimos que una y solo uno de ellos es VERDADERO, todos los demás
FALSOS. Cuando esto se satisface, decimos que la restricción en sí (o "cláusula") está
satisfecha, o TRUE. Estos CSP se denominan + 1-in- k- SAT y forman parte de los
denominados “problemas de ocupación bloqueada”, que es una clase de CSP
excepcionalmente difíciles 18 , 19. Las restricciones de tipo 3) son generadas por las pistas
(o datos) que son símbolos ya llenados en algunas de las celdas y su número y posición
determina la dificultad del rompecabezas. También están configurados para garantizar
una solución única para todo el rompecabezas. Si se dan pistas d , esto implica
establecer d variables booleanas en VERDADERO, lo que significa eliminar exactamente 4
restricciones d de tipo 1) y 2) (una restricción vertical o de unicidad, una fila, una
columna y una restricción de subcuadrícula 3 × 3 ). Por lo tanto, Sudoku es un CSP de
tipo + 1-en-9-SAT con N variables booleanas y restricciones 324 - 4 d de tipo + 1-in- k -
SAT ( k ≤ 9). nortees una función complicada del posicionamiento de las pistas. El
ejemplo en la Fig. 1a tiene d = 22 pistas con N = 232 variables booleanas desconocidas.
En la capa L como se ilustra en la Fig. 1c, hay 28 variables booleanas desconocidas
4,
(celdas blancas). Estas 28 variables aparecen en un total de 17 restricciones de tipo + 1-
in- k- SAT. Más precisamente, hay un tipo de restricciones + 1-en-2-SAT, seis + 1-en-4-
SAT, cuatro + 1-en-5-SAT y seis + 1-en-6-SAT relacionadas con L . Las otras capas
4
generan los 324 - 4 d - 17 = 219 restantes de las restricciones de tipo + 1-in k -SAT (con
k ≤ 9).
Dado que nuestro solucionador SAT de tiempo continuo ha sido diseñado para resolver
problemas de satisfacibilidad booleana en forma normal conjuntiva (CNF), necesitamos
traer los problemas de tipo + 1-in- k -SAT anteriores en esta forma y así formularlo como
k - Problema SAT CNF. El CNF es una conjunción (AND, denotado por ∧ ) de cláusulas
cada cláusula expresada como la disyunción (OR, denotada por ∨ ) de literales. Para k -
SAT en CNF hay N variables booleanas x i = {0, 1} y se da una instancia como fórmula
proposicional , que es la conjunción de las cláusulas M C m :,
con ,k m ≤ k y z j es un literal, es decir ( es la negación de x j ).
De acuerdo con un teorema bien conocido del cálculo proposicional, todas las
proposiciones booleanas se pueden formular en CNF usando las leyes de De Morgan y la

ley distributiva y, por lo tanto, también cualquier restricción de tipo + 1-in- k- SAT. La
sección de métodos describe cómo traducir las restricciones de tipo + 1-in- k- SAT en
CNF.
Una vez completada la transformación a CNF nos quedamos con N variables y M

cláusulas del tipo descrito anteriormente, llamadas cláusulas CNF de aquí en adelante. En
nuestro caso, el número de variables que aparecen en una restricción CNF tiene la
propiedad 1 ≤ k m ≤ 9. Los parámetros N , M y dependen de las pistas que son
difíciles de expresar analíticamente, pero fáciles de determinar computacionalmente. El
acertijo de la Fig. 1a se formula finalmente como un problema CNF SAT con N = 232
variables y M = 1718 cláusulas CNF. Un parámetro de uso frecuente de un problema de
satisfacibilidad es el número de restricciones CNF por variable, odensidad de restricción ,
α = M / N , también se utiliza como un indicador de dureza típico, sin embargo, como
mostramos a continuación, esta no es una medida precisa de dureza.
El solucionador k- SAT determinista en tiempo continuo
En Ref [ 15 ] se introdujo un solucionador determinista de tiempo continuo para resolver

problemas k- SAT en forma normal conjuntiva. El conjunto de cláusulas que especifican
las restricciones se traduce en una matriz M × N : C = { c mi } con c mi = 1 si la variable x i
está presente en la cláusula m en forma directa (no negada), es decir , c mi = −1 si
y c mi = 0 si x i y están ausentes de C m. A cada variable x i se asocia una variable
de espín continuo tal que cuando s i = ± 1 entonces y a cada
cláusula C m se asocia la función:
Tenemos para todos . Es fácil comprobar que K m = 0 solo para aquellos

valores para los cuales los correspondientes x i -s satisfacen la cláusula C m (de
lo contrario, siempre tenemos K m > 0). Es decir, K m juega el papel de una función de
energía para la cláusula C m y su valor de estado fundamental de K m = 0 se alcanza si C
m es VERDADERO y solo entonces. También necesitamos las cantidades ,

es decir, con el i -ésimo término que falta en el producto en (1). Claramente, . El
sistema dinámico de tiempo continuo introducido en 15 se define mediante el conjunto
de ( N + M ) ecuaciones diferenciales ordinarias (EDO):
con los únicos requisitos que , ∀ i y a m (0)> 0, ∀ m . Esto último implica de (3)
que a m ( t )> 0, ∀ m , t . En la Ref [ 15 ] se demostró que el sistema (2-3) siempre
encuentra las soluciones a los problemas k -SAT (codificados mediante la matriz C ),
cuando existen, desde casi todas las condiciones iniciales (la excepción es un conjunto de
medidas de Lebesgue cero). Aquí damos una imagen intuitiva de por qué ese es el caso.
Debido a (3) las variables auxiliares a m crecen exponencialmente a una tasa Km . Es
decir, cuanto más es K m de su valor en estado fundamental de 0, más rápida será un m
crece (en ese instante). Por otra parte, cuanto más tiempo ha K m estado lejos de cero, el
más grande es una m , como se ve desde la solución formal a (3): .
La ecuación (2) se puede escribir de manera equivalente como un descenso de gradiente
en un paisaje energético V ( s , a ), es decir d s / dt = - ∇ s V , donde ∇ s es el operador
de gradiente en las variables de espín y . Claramente, V ≥ 0 ∀ t y V = 0 si
y solo si s es una solución k -SAT, es decir, satisface todas las cláusulas ( K m ( s ) = 0, ∀ m
).
A partir del comportamiento de las una m variables discutidas anteriormente se deduce

también que las restricciones menos satisfechos dominará V (términos con el más
grande de un m -s). Sin restringir la generalidad, deje que el término sea el más
dominante en t . A continuación, manteniendo sólo el término dominante en el lado
derecho de (2) para los i para los que c i ≠ 0 obtenemos o,
1
equivalentemente: . Esto muestra que el término (1 - c i s
1
i ) se conduce exponencialmente rápido hacia cero, es decir, hacia la satisfacción de K (y

1
todas las demás restricciones que contienen este término). A medida que K disminuye,
1
alguna otra restricción se vuelve dominante y, por lo tanto, de manera continua, todas
las restricciones se dirigen hacia la satisfacción. El crecimiento exponencial garantiza que
la trayectoria siempre se saque de cualquier pozo potencial. Cuando el problema es
insatisfactorio, el sistema genera una dinámica caótica en [-1, 1] N , indefinidamente. Para
obtener más detalles sobre las propiedades del sistema dinámico de tiempo continuo
(CTDS) (2–3), consulte la Ref. [ 15 ].
La dureza del rompecabezas como dinámica caótica transitoria
Dado que los rompecabezas de Sudoku siempre tienen una solución, la formulación
booleana SAT CNF correspondiente también tiene una solución y el sistema (2-3)
siempre la encontrará. Sin embargo, la naturaleza de la dinámica dependerá de la dureza
del rompecabezas que describimos a continuación.
En la figura 2a mostramos un rompecabezas fácil con 34 pistas (números negros) 20 .

Después de transformar este problema en SAT CNF, obtenemos N = 126 y M = 717, con
una densidad de restricción de α = M / N = 5.69. Como se describió anteriormente, en
nuestra implementación hay una variable de giro continua asociada a cada variable
booleana en cada celda 3D ( i , j , a ). En los paneles de la derecha de la Fig. 2
mostramos la dinámica de las variables de espín en las celdas de la cuadrícula de 3 × 3
formada por las filas 4-6 y las columnas 7-9. Las curvas están coloreadas por el dígito
arepresentan ( a = 1,…, 9) como se indica en la leyenda de colores de la Fig 2 . La
dinámica se inició a partir de una condición inicial aleatoria. De hecho, nuestro
solucionador encuentra la solución muy rápidamente, en unas 15 unidades de tiempo,
para el sencillo rompecabezas de la figura 2a .
Figura 2
Resolver rompecabezas de Sudoku con el solucionador determinista de tiempo

continuo (2–3).
(a) presenta un rompecabezas fácil con la evolución de la dinámica de tiempo

continuo que se muestra dentro de una cuadrícula de 3 × 3 (filas 4 a 6, columnas 7 a
9). (b) muestra lo mismo, pero para un conocido rompecabezas ultraduro llamado
“Platinum Blonde” 21 , 22 , 23 . Las trayectorias en los paneles de la derecha muestran la
evolución de las variables analógicas coloreadas por el dígito correspondiente a .
Por lo tanto, para cada celda ( i , j ) tenemos 9 trayectorias de carrera de este tipo,
pero no siempre se pueden discernir ya que muchas de ellas se ejecutan una encima
de la otra, cerca de -1, como se ve en (a).
En la Fig. 2b mostramos la evolución dinámica de las variables para una instancia de

Sudoku ultraduro con solo 21 pistas. Este rompecabezas ha sido catalogado como uno
de los Sudokus más difíciles del mundo e incluso tiene un nombre especial: “Rubio
Platino” 21 , 22 , 23 y fue el más “difícil” para nuestro solucionador de todos los
rompecabezas que probamos. Después de transformarlo en SAT CNF, obtenemos N =
257 variables y M = 2085 restricciones. No solo que tenemos el doble de variables
desconocidas, sino que la densidad de restricción α = M / N = 8.11 también es mayor
que en el caso anterior, lo que indica la dureza de la instancia SAT correspondiente. La
complejidad de la dinámica en este caso se ve en el panel derecho de la Fig. 2b , que
muestra largos transitorios caóticos antes de que se encuentre la solución alrededor
. Para una animación de la dinámica de un rompecabezas 14 igualmente difícil,
consulte la Ref [ 24 ].
También podemos observar en los paneles de la derecha en la Fig. 2 que hay un dígito
dominante ( a -valor), correspondiente a qué celda vertical en esa celda de cuadrícula
dada ( i , j ) tiene el valor más grande . Esto se puede tomar como el dígito D ij que el
solucionador está considerando en la celda de la cuadrícula dada ( i , j ) en ese momento.
Usaremos esta observación para proporcionar a continuación una ilustración alternativa
del comportamiento transitoriamente caótico de la dinámica. Fijemos una condición
inicial aleatoria excepto por dos variables elegidas que varían a lo largo de los puntos de
una cuadrícula dentro del dominio [−1, 1] 2. No hay una relevancia particular en cuanto a
qué pares de variables se eligen para variar, denotémoslos por s y s . Elija una celda
1 2
vacía arbitraria ( p , q ) en el Sudoku original y controlemos el dígito dominante en el
tiempo t . Colorearemos las condiciones iniciales en el plano ( s , s ) de acuerdo con el
1 2
dígito dominante en ( p , q ) en el tiempo t. Esto proporcionará un mapa que expresará la
"sensibilidad a las condiciones iniciales" que varía a lo largo del tiempo. Dado que todos
los acertijos tienen soluciones, los mapas eventualmente adoptan un color sólido de
acuerdo con el dígito de la solución en la celda monitoreada; sin embargo, para los
acertijos difíciles, puede asumir patrones muy complejos antes de hacerlo, como se
muestra en la Fig.3 . Aquí mostramos estos mapas de colores para los Sudoku fáciles y
difíciles de la Fig. 2 en los momentos t = 10, 15, 20. Para el rompecabezas fácil (fila
superior), la celda fue elegida para ser ( p , q ) = (1, 1 ). En el tiempo t = 10 todo el mapa
muestra D = 6 (naranja), que no es el dígito de la solución (todavía está buscando la
1,1
solución). En el tiempo t = 15, sin embargo, vemos dos dominios claramente separados,
en uno de ellos D = 6, en el otro D = 9 (celeste), siendo este último el dígito
11 11
correcto. A medida que pasa el tiempo, el dominio naranja (incorrecto) se contrae,
porque las trayectorias de un número creciente de condiciones iniciales encuentran la
solución. En t = 20, casi todo el mapa muestra el dígito correcto D = 9, excepto por
11
una línea delgada.
figura 3
La dureza del rompecabezas como dinámica caótica.
Coloreamos los puntos de una cuadrícula de 10 3 × 10 3 en un plano arbitrario ( s , s

1
) en el instante t de acuerdo con el dígito D pq que el solucionador está
2
considerando en una celda arbitraria pero fija ( p , q ) en ese instantáneo, dado que
comenzamos la trayectoria del CTDS desde esos puntos de cuadrícula. Para estas
condiciones iniciales, solo se variaron los puntos en el plano ( s , s ), todos los
1 2
demás valores de giro se mantuvieron fijos en los mismos valores elegidos al azar.
Para el mismo problema sencillo que en la Fig.2 y para ( p, q ) = (1, 1) (fila superior de
paneles) casi todas las condiciones iniciales en este plano involucran sólo dos dígitos
y después de t = 20 las trayectorias correspondientes han convergido al dígito
solución (9, azul claro), excepto por un línea delgada, que, sin embargo, también se
volverá azul claro. La fila inferior de paneles muestra lo mismo para el problema
difícil de la Fig. 2 basado en lo que sucede en la celda ( p , q ) = (6, 8). La fuerte
sensibilidad a las condiciones iniciales aparece como estructuras fractales de
complejidad creciente a medida que pasa el tiempo, antes de que finalmente todo
converja al mismo color / dígito (azul oscuro, correspondiente al dígito 4, no
mostrado).
En el caso del Sudoku difícil (fila inferior en la Fig. 3 , ( p , q ) = (6, 8)) más colores entran
en la imagen con el tiempo, en un patrón similar a un fractal. Eventualmente, todo el
mapa se vuelve azul oscuro (dígito 4) correspondiente a la solución en esta celda.
Cambiar ligeramente la condición inicial sobre este conjunto fractal (que en realidad es
un límite fractal dependiente del tiempo) puede resultar en que se considere un dígito
(color) completamente diferente en la celda ( p , q ) en el tiempo t . Esta sensibilidad a las
condiciones iniciales es indicativa del comportamiento caótico de la dinámica de
búsqueda (determinista).
La aparición de un caos transitorio es una característica fundamental de la dinámica de

búsqueda y se puede utilizar para separar los problemas por su dureza. En Ref [ 15 ]
hemos demostrado que dentro del límite termodinámico ( N → ∞, M → ∞, α = M / N =
const.) De conjuntos aleatorios k -SAT esto aparece como una transición de fase en la
llamada transición caótica señalar α en términos de la densidad de restricción α = M /
chi
N . Dado que no existe un "límite termodinámico" para los problemas de Sudoku 9 × 9 (

N <729), no se puede definir un parámetro de orden simple y usarlo para calificar la
dureza del problema de la misma manera15 . Sin embargo, una vez que se presenta un
problema, el sistema dinámico correspondiente (2–3) está bien definido y también su
comportamiento dinámico. Aunque no tenemos un parámetro de orden estadístico
basado en conjuntos bien definido (que tiene poco significado para instancias SAT
específicas de todos modos), aquí mostramos a continuación cómo podemos usar una
cantidad invariante bien conocida de la teoría del sistema dinámico no lineal para
categorizar la dureza del problema para casos específicos.
Una escala tipo Richter para dureza Sudoku
Como lo sugieren los dos ejemplos de la Fig. 2 , la dureza de los Sudoku se correlaciona
con la longitud de los transitorios caóticos. Una forma coherente de caracterizar estos
caóticos transitorios es trazar la distribución de su vida. Partiendo de trayectorias a partir
de muchas condiciones iniciales aleatorias, p ( t ) indica la probabilidad de que la
dinámica no haya encontrado la solución en el tiempo t . Una propiedad característica
del caos transitorio 11 , 12 en los sistemas dinámicos hiperbólicos es que p ( t ) muestra un
decaimiento exponencial asintótico: p ( t ) ~ e –κt, donde κ se denomina tasa de escape.
Para obtener un texto fácil de leer sobre el caos transitorio, consulte el libro 13 . La tasa
de escape, una cantidad mensurable, teóricamente se puede expresar como un cero del
determinante espectral del operador de evolución correspondiente al sistema dinámico
(2-3) y bien aproximado utilizando la maquinaria de expansiones de ciclo basadas en
funciones zeta dinámicas 12 . Es una medida invariante de la dinámica en el sentido de
que caracteriza únicamente el conjunto caótico no atrayente en el espacio de fase del
sistema y no depende de la distribución de las condiciones iniciales, su soporte o los
detalles de la región desde donde se mide el escape (siempre que contenga el conjunto
no atrayente) 11 .
En la Fig. 4a trazamos la distribución p ( t ) en una escala logarítmica lineal para varios

acertijos recopilados de la literatura. Las distribuciones se obtuvieron de más de 10 4
condiciones iniciales aleatorias. La descomposición muestra una amplia gama de
variaciones entre los rompecabezas. Para los rompecabezas fáciles, los transitorios son
muy cortos, p ( t ) decae rápidamente, lo que da como resultado tasas de escape
grandes, pero para los rompecabezas difíciles, κ puede ser muy pequeño. La figura 4b
muestra un zoom en la p ( t ) de los rompecabezas difíciles. Por ejemplo, para el
rompecabezas de la figura 2a obtenemos κ = 0.156, mientras que para la figura 2b(Rubio
platino) la tasa de escape es κ = 0.00026. A pesar de la gran variabilidad de las tasas de
desintegración, vemos que en todos los casos el escape es exponencialmente rápido (la
aparición más rápida que exponencial para algunas de las curvas en las Figuras 4a, b se
debe a las estadísticas de tamaño finito y la finitud del tiempo intervalo considerado).
Figura 4
Tasa de escape como indicador de dureza.
(a) muestra la distribución en escala logarítmica lineal de la fracción p ( t ) de 10 4

trayectorias iniciadas aleatoriamente de (2–3) que aún no han encontrado una
solución en el tiempo analógico t para una serie de Sudoku tomados de la literatura
(ver leyenda y texto) con una amplia gama de calificaciones de dificultad humana. La
tasa de escape se obtiene del mejor ajuste a la cola de las distribuciones. (b) es un
aumento de (a) para rompecabezas difíciles. (c) y (d) muestran la tasa de escape κ en
la escala semilogarítmica frente al número de pistas d y la densidad de restricción α,
lo que indica buenas correlaciones con las calificaciones humanas (bandas de color).
(e) muestra la relación entre el número de pistas dy α para los rompecabezas
considerados.
La variabilidad de varios órdenes de magnitud de κ sugiere naturalmente el uso de una

medida logarítmica de κ para la dureza del rompecabezas, ver la figura 4c , que muestra
las tasas de escape en una escala semilogarítmica como función del número de pistas, d .
Por lo tanto, la tasa de escape se puede utilizar para definir una especie de escala de tipo
"Richter" para la dureza de Sudoku:
con rompecabezas fáciles en el rango 0 <η ≤ 1, medianos en 1 <η ≤ 2, difíciles en 2 <η

≤ 3 y para rompecabezas ultraduros η> 3.
Elegimos varias instancias del sitio web del “Sudoku del día” 20 en cuatro de las
categorías definidas allí: fácil (cuadrado negro), medio (círculo rojo), difícil (verde ×) y
absurdo (estrella azul). Estas calificaciones en el sitio web intentan estimar la dureza de
los acertijos cuando son resueltos por humanos. Estas calificaciones se correlacionan
muy bien con nuestra medida de dureza η, dando un valor de dureza promedio de 〈η〉
= 0.816 para fácil, 〈η〉 = 1.439 medio, 〈η〉 = 1.782 para duro y 〈η〉 = 1.809 para lo
que ellos llaman absurdo. . Otro sitio desde el que analizamos los rompecabezas es
“Extreme Sudoku” 25 (signos + marrones en la Fig.4 ). Afirma ofrecer rompecabezas de
Sudoku extremadamente difíciles, cuyas categorías son: malvado, excesivo, atroz,
insoportable y extremo. De hecho, esos acertijos son difíciles con un rango de η∈ [1.1,
1.9] en la escala de dureza, sin embargo, todavía está lejos de los acertijos más difíciles
que hemos encontrado en la literatura. De vez en cuando, los periódicos presentan
acertijos que se dice que son los Sudoku más difíciles del año. En particular, la tasa de
escape para el ganador 26 de Caveman Circus 2009 (diamante turquesa) y el acertijo más
difícil de Guardian 2010 27 (diamante granate) son de hecho un orden de magnitud más
pequeño que los acertijos más difíciles en los sitios web diarios de Sudoku, colocándolos
en η = 2,93 y η = 2,82 en la escala de dureza. El acertijo 28 más difícil de USA Today 2006
, sin embargo, no parece ser tan difícil para nuestro algoritmo que tiene η = 2.17
(diamante magenta). Eppstein 29da dos ejemplos de Sudoku (triángulos naranjas que
apuntan a la izquierda) mientras describe su algoritmo, uno con η = 1.288 y uno mucho
más difícil con η = 2.017. Elser y col. 14 presentan un Sudoku extremadamente duro
(círculo negro relleno), que tiene una tasa de escape de κ = 0.0023 resultando en η =
2.639.
Las tasas de escape más pequeñas que hemos encontrado son para los Sudokus
enumerados como los más difíciles en Wikipedia 22 , 23 (triángulos rojos). Los cinco
rompecabezas que probamos se llaman Platinum Blonde, Golden Nugget, Red Dwarf,
coly013 y tarx0134. Tienen una dureza en el rango de 3 <η <3.6, siendo el rubio platino
ultraduro (mostrado en la figura 2b ) el más duro con η = 3.5789 (κ = 0.00026).
Si bien la tasa de escape se correlaciona sorprendentemente bien con las calificaciones

humanas de la dureza del Sudoku, es natural esperar una correlación con el número de
pistas, d . De hecho, como regla general, cuantas menos pistas se den, más difícil será el
rompecabezas, sin embargo, esto no es universalmente cierto 1 . Aquí probamos algunas
instancias con un mínimo de 30 , es decir, 17 pistas y casi un mínimo de 18 pistas
(círculos llenos de naranja) 31 , 32 , 33 . Como se ve en la figura 4c , estos son en realidad
más fáciles (1.2 <η <2.4) que los casos más difíciles con más d = 21, 22 pistas. En la
figura 4d , luego graficamos la tasa de escape como función de la densidad de
restricción α = M / N , lo que lleva prácticamente a la misma conclusión. Esto se debe a
que la densidad de restricción α está esencialmente correlacionada linealmente con el
número de datos dados d , como se muestra en la figura 4e . El aparente
comportamiento no monótono de la dureza del rompecabezas con el número de valores
dados o la densidad de restricción se debe al hecho de que la dureza no puede
caracterizarse simplemente por una variable estática global como d o α, sino que
también depende del patrón de posicionamiento del pistas 1 .
Discusión
Utilizando el mundo de los rompecabezas de Sudoku, aquí hemos presentado más

evidencia de que la dureza de la optimización se traduce en un comportamiento
dinámico complejo por un algoritmo que busca soluciones de manera óptima. Es decir,
parece haber una compensación entre el rendimiento algorítmico y la complejidad del
algoritmo y / o su comportamiento. Los algoritmos de búsqueda secuenciales simples
tienen una descripción trivial y una dinámica simple, pero un rendimiento abismal en el
peor de los casos (2 N), mientras que los algoritmos que se encuentran entre los de
mejor desempeño son complejos en su descripción (lista de instrucciones) y / o
comportamiento (dinámica). Esto sucede porque para mejorar el rendimiento, los
algoritmos tienen que explotar la estructura del problema de una forma u otra. Como los
problemas difíciles tienen estructuras complejas, la dinámica de los algoritmos debe ser
indicativa de la dureza del problema. Sin embargo, como advertencia, observar la
dinámica compleja realizada por algún algoritmo de caja negra no implica
necesariamente la dureza del problema. Por ejemplo, se podría considerar cualquier
sistema dinámico que esté garantizado para visitar todos los 2 Nestados /
configuraciones discretos pero quizás con algún comportamiento arbitrario y complejo.
Este algoritmo siempre encontrará soluciones si existen (comprobando la satisfacibilidad
después de cada nuevo estado visitado). Pero su lista de instrucciones no tendría
relevancia para el problema en sí (aparte de las instrucciones de verificación para ver si el
nuevo estado satisface el problema) y, por lo tanto, podría llevar mucho tiempo
encontrar soluciones incluso para problemas que de otro modo serían fácilmente
resueltos por otros algoritmos. . Por lo tanto, las propiedades dinámicas solo pueden
considerarse descriptores de la dureza del problema si son generadas por algoritmos
que: 1) explotan la estructura del espacio de estados del problema y 2) muestran un
rendimiento similar o mejor en comparación con otros algoritmos en los mismos
problemas. .
El sistema dinámico de tiempo continuo 15 (2-3) como algoritmo determinista tiene estas
características: 1) la búsqueda ocurre en un paisaje energético que incorpora
simultáneamente todas las restricciones (estructura del problema) 2) resuelve problemas
fáciles de manera eficiente (tiempo polinomial) , tanto analógicos como discretos) y 3)

garantiza encontrar soluciones a problemas difíciles incluso en casos solucionables
donde fallan muchos otros algoritmos. Aunque no es un algoritmo de costo polinomial,
parece encontrar soluciones en tiempo continuo t que escala polinomialmente con N 15.
Estas características y el hecho de que el algoritmo está formulado como un sistema
dinámico determinista con variables continuas, nos permite aplicar la teoría de los
sistemas dinámicos no lineales en CTDS (2-3) para caracterizar la dureza de los
problemas de satisfacibilidad booleanos. En particular, a través de la tasa de escape
medible κ, o su valor logarítmico negativo η, podemos proporcionar una medida de
dureza escalar única, bien definida para cualquier instancia finita . Hemos ilustrado esto
aquí en rompecabezas de Sudoku, pero el análisis se puede repetir en cualquier otro
conjunto de NP. Tener un número matemáticamente bien definido para caracterizar la
dureza de la optimización para problemas específicos en NP proporciona más
información que la clasificación de solvabilidad de polinomio / tiempo exponencial, o
saber cuál es la densidad de restricción α = M /N es (la última es una medida no
dinámica / estática). Además, dentro del marco de CTDS (2–3), ahora se pueden
presentar sistemas dinámicos y métodos de teoría del caos para ayudar a desarrollar una
comprensión novedosa de la dureza de la optimización.
Métodos
Las restricciones de tipo 1) (texto principal) imponen la unicidad del símbolo D ij en una
celda dada, expresada como una restricción + 1-en-9-SAT en el vector:
es decir, uno y solo un componente en el vector booleano anterior puede ser

VERDADERO (o 1), todos los demás deben ser FALSO (o 0). Al tener celdas de 9 × 9 en el
rompecabezas, esto da un total de 81, restricciones + 1-en-9-SAT.
Las restricciones de tipo 2) en filas, columnas y subcuadrículas imponen además que en

cada capa L a tenemos las siguientes restricciones 27, + 1-en-9-SAT:
con el mismo significado que antes, es decir, en todos los vectores booleanos anteriores,
una y solo una variable puede ser VERDADERA, todas las demás deben ser FALSAS. Junto
con las 81 restricciones del tipo 1) tenemos un total de 9 × 27 + 81 = 324 restricciones
en la forma + 1-en-9-SAT.
Finalmente, las restricciones de tipo 3) se imponen mediante d dígitos o pistas dados.

Recientemente se demostró que la singularidad de una solución exige que d ≥ 17 30 .
Como se explica en el texto principal, cada pista eliminará 4 restricciones: en su torre
vertical, su columna, su fila y la subcuadrícula de 3 × 3 que contiene la pista. Por ejemplo,
examinemos la capa L ( figura 1c ) del rompecabezas que se muestra en la figura 1a .
4
Hay tres pistas de 4 en las células (1, 9), (3, 3), (4, 4) y por lo tanto , , tienen
que ser fijos como TRUE en L . Para satisfacer las restricciones, las otras variables en las
4
mismas filas, columnas, bloques y columnas verticales deben establecerse en FALSE. Las
variables desconocidas que quedan en el problema SAT serán las de las células de luz de
la figura 1c . (Las otras pistas eliminarán restricciones y variables en otras capas y
columnas verticales). El número total de variables desconocidas N depende de dy de la
ubicación de las pistas. El número de restricciones es siempre 324 - 4 d , sin embargo, el
número de variables en una cláusula puede variar. Por ejemplo, en la figura 1c, la
restricción correspondiente a la segunda fila en la capa L tiene solo 2 variables
4
desconocidas restantes (+ 1-in-2-SAT).
Después de que se hayan identificado las variables booleanas desconocidas y las

restricciones, necesitamos transformar la fórmula en CNF. Esto se hace fácilmente, ya que
cualquier cláusula + 1-in k -SAT definida en las variables ( y , y ,…, y k ) se puede
1 2
escribir como un k -SAT yk ( k -1) / 2 de Restricciones 2-SAT:
La disyunción ( ) de las primeras k variables obliga a que al menos una variable sea
verdadera, pero el resto de las restricciones de tipo ( k ( k - 1) / 2) 2-SAT aseguran que
solo una de ellas puede ser verdadera.
Referencias
1. Rosenhouse, J. & Taalman, L. Tomando el Sudoku en serio: Las matemáticas detrás

del rompecabezas de lápiz más popular del mundo (Oxford University Press, Nueva
York, 2011).
2. Garey, MR & Johnson, DS Computers and Intractability: A Guide to the Theory of

NP-Completeness (WH Freeman & Co., Nueva York, NY, EE. UU., 1990).
3. Karp, RM Reducibilidad entre problemas combinatorios. En complejidad de los

cálculos informáticos. , RE Miller y JW Thatcher (editores). Proc. de un Symp. sobre la
complejidad de los cálculos informáticos. (Nueva York: Plenum. Págs. 85-103, 1972).
4. Yato, T. & Seta, T. Complejidad e integridad de encontrar otra solución y su

aplicación a los rompecabezas. IEICE Trans . Fundamentos E86-A (5), 1052–1060
(2003).
5. Fortnow, L. El estado del problema P versus NP. Comun. ACM 52, 78–86 (2009).
6. Barahona, F. Sobre la complejidad computacional de los modelos de vidrio giratorio

de Ising. J. Phys. A: Matemáticas. Gen. 15, 3241-3253 (1982).
7. Istrail, S. Mecánica estadística, tridimensionalidad y completitud NP: I. Universalidad

de la intratabilidad de las funciones de partición del modelo Ising a través de
celosías no planas. Actas del 32º Simposio de ACM sobre Teoría de la Computación
(STOC00), ACM Press, págs. 87–96 (2000)
8. Brueggemann, T. & Kern, W. Un algoritmo de búsqueda local mejorado para 3-SAT.

Theor. Comp. Sci. 329 (1–3), 303313 (2004).
9. Ott, E. Chaos in Dynamical Systems 2nd edn (Cambridge Univ. Press, 2002).
10. Cencini, M., Cecconi, F. & Vulpiani, A. Chaos: de modelos simples a sistemas
complejos (World Scientific, Singapur, 2009).
11. Lai, Y.-C. & Tél, T. Transient Chaos: Complex Dynamics on Finite-Time Scales
(Springer 2011).
12. Cvitanović, P., Artuso, R., Mainieri, R. Tanner, G. & Vattay, G. Chaos: Classical and
Quantum, ChaosBook.org/version13 (Instituto Niels Bohr, Copenhague 2010).
13. Tél, T. & Gruiz, T. Dinámica caótica: e introducción. (Cambridge University Press,
2006).
14. Elser, V., Rankenburg, I. y Thibault, P. Búsqueda con mapas iterados. Proc. Natl.
Acad. Sci. USA 104, 418–423 (2007).
15. Ercsey-Ravasz, M. & Toroczkai, Z. Optimización de la dureza como caos transitorio

en un enfoque analógico para la satisfacción de restricciones. Nature Physics 7,
966–970 (2011).
16. Kadanoff, LP y Tang, C. Escape de extraños repelentes. Proc. Natl Acad. Sci. 81, 1276-
1279 (1984).
17. Tél, T. y Lai, YC. Transitorios caóticos en sistemas espacialmente extendidos. Phys.
Rep. 460, 245-275 (2008).
18. Zdeborová, L. & Mézard, M. Problemas de satisfacción con restricciones

bloqueadas. Phys. Rev. Lett. 101, 078702 (2008).
19. Zdeborová, L. & Mézard, M. Los problemas de satisfacción de restricciones con

soluciones aisladas son difíciles. J. Stat. Mech .: Theor. Exp. P12004 (2008).
20. http://www.sudokuoftheday.co.uk (consultado el 26-07-2012)
21. http://forum.enjoysudoku.com/the-hardest-sudokus-new-thread-t6539.html
(consultado el 23-07-2012).
22. http://wiki.karadimov.info/index.php/Sudoku_algorithms#Exceptionally_difficult_Sud
okus_.28h (consultado el 25-07-2012).
23. http://en.wikipedia.org/wiki/Algorithmics_of_sudoku#Exceptionally_difficult_Sudoku
s_.28hard (consultado el 27-07-2012).
24. http://www.youtube.com/watch?v=y4_aSLP9g_w (consultado el 19-06-2012).
25. http://www.extremesudoku.info/sudoku.html (consultado el 26-07-2012).
26. http://cavemancircus.com/2009/11/05/the-hardest-sudoku-puzzle-ever/
27. Hutchinson, P. ¿El Sudoku más difícil del mundo? The Guardian , 22 de agosto
(2010) http://www.guardian.co.uk/media/2010/aug/22/worlds-hardest-sudoku
28. http://www.usatoday.com/news/offbeat/2006-11-06-sudoku_x.htm (consultado el

26-07-2012).
29. Eppstein, D. Resolver subproblemas de sudoku de un solo dígito,

http://arxiv.org/abs/1202.5074v2
30. McGuire, G., Tugeman, B. & Civario, G. No existe un Sudoku de 16 pistas: Resolver el
problema del número mínimo de pistas del Sudoku. http://arxiv.org/abs/1201.0749
31. http://mapleta.maths.uwa.edu.au/gordon/sudokumin.php (consultado el 26-07-

2012).
32. http://en.wikipedia.org/wiki/File:Symmetrical_18_clue_sudoku_01.JPG (consultado el

15-07-2012).
33. http://www.flickr.com/photos/npcomplete/3603730706/ (consultado el 24-06-

2012).
Agradecimientos
Este trabajo fue apoyado en parte por una subvención de la Autoridad Nacional Rumana
para la Investigación Científica, CNCS-UEFISCDI, subvención número PN-II-RU-TE-2011-
3-0121 (MER) y por una subvención de capitalización interna de la Universidad de Notre
Dame (ZT).
Información del autor
Afiliaciones
1. Facultad de Física, Universidad Babeş-Bolyai, Str. Kogalniceanu Nr. 1, RO-400084,

Cluj-Napoca, Rumania
Mária Ercsey-Ravasz
2. Centro interdisciplinario de ciencia y aplicaciones de redes (iCeNSA)
Zoltán Toroczkai
3. Departamentos de Física, Informática e Ingeniería, Universidad de Notre Dame,

Notre Dame, IN, 46556, EE. UU.
Zoltán Toroczkai
Contribuciones
Los autores aportaron análisis y herramientas por igual. Ambos autores escribieron y
revisaron el manuscrito.
Declaraciones de ética
Conflicto de intereses
Los autores declaran no tener intereses económicos en competencia.
Derechos y permisos
Este trabajo tiene la licencia de Creative Commons Reconocimiento-No comercial-Sin

obras derivadas 3.0 Unported. Para ver una copia de esta licencia, visite
http://creativecommons.org/licenses/by-nc-nd/3.0/
Reimpresiones y permisos
Sobre este articulo
Cita este artículo
Ercsey-Ravasz, M., Toroczkai, Z. El caos dentro del Sudoku. Sci Rep. 2, 725 (2012).
https://doi.org/10.1038/srep00725
Recibido 07 de agosto de 2012 Aceptado 26 de septiembre de 2012
Publicado 11 de octubre de 2012 DOI https://doi.org/10.1038/srep00725
Comparte este artículo
Cualquiera con quien comparta el siguiente enlace podrá leer este contenido:
Obtener enlace para compartir

Proporcionado por la iniciativa de intercambio de contenido Springer Nature SharedIt
Asignaturas
Teoría y computación de la información • Matemáticas e informática • Física • Física estadística,

termodinámica y dinámica no lineal
Otras lecturas
Máquinas coherentes de Ising: óptica cuántica y perspectivas de redes neuronales

Y. Yamamoto, T. Leleu[…] Y H. Mabuchi
Letras de física aplicada (2020)
Resolver sudoku con la optimización de colonias de hormigas

Huw Lloyd Y Martyn Amos
Transacciones IEEE en juegos (2020)
Escalas de tiempo del solucionador de satisfacibilidad booleano utilizando un sistema

dinámico de tiempo continuo
Hiroshi Yamashita, Kazuyuki Aihara Y Hideyuki Suzuki
Comunicaciones en ciencia no lineal y simulación numérica (2020)
Osciladores acoplados para informática: una revisión y una perspectiva

Gyorgy Csaba Y Wolfgang Porod
Reseñas de física aplicada (2020)
Aceleración de un solucionador SAT analógico de tiempo continuo mediante GPU

Ferenc Molnár, Shubha R. Kharel[…] Y Zoltán Toroczkai
Comunicaciones de física informática (2020)
Informes científicos ISSN 2045-2322 (en línea)
© 2020 Springer Nature Limited

El Caos Dentro Del Sudoku Informes Cientificos

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

El Caos Dentro Del Sudoku Informes Cientificos

Cargado por

Copyright:

Formatos disponibles

1/11/2020 El caos dentro del Sudoku | Informes científicos

Buscar Iniciar sesión

Explore Información Diario

naturaleza informes científicos artículos artículo

Acceso abierto Publicado: 11 de octubre de 2012

El caos dentro del Sudoku

Informes científicos 2 , Número de artículo: 725 ( 2012 )

La estructura matemática de los acertijos de Sudoku es similar a los problemas de

La intratabilidad de los problemas NP-completos tiene consecuencias importantes, que

A continuación, tratamos los algoritmos como sistemas dinámicos . Un algoritmo es un

dificultades radica en el hecho de que la mayoría de los algoritmos de optimización son

Sudoku como k -SAT

Sudoku y su representación booleana.

Para formular Sudoku como un problema de satisfacción de restricciones (CSP) usando

proposiciones booleanas se pueden formular en CNF usando las leyes de De Morgan y la

Una vez completada la transformación a CNF nos quedamos con N variables y M

El solucionador k- SAT determinista en tiempo continuo

En Ref [ 15 ] se introdujo un solucionador determinista de tiempo continuo para resolver

Tenemos para todos . Es fácil comprobar que K m = 0 solo para aquellos

m es VERDADERO y solo entonces. También necesitamos las cantidades ,

A partir del comportamiento de las una m variables discutidas anteriormente se deduce

i ) se conduce exponencialmente rápido hacia cero, es decir, hacia la satisfacción de K (y

La dureza del rompecabezas como dinámica caótica transitoria

En la figura 2a mostramos un rompecabezas fácil con 34 pistas (números negros) 20 .

Resolver rompecabezas de Sudoku con el solucionador determinista de tiempo

(a) presenta un rompecabezas fácil con la evolución de la dinámica de tiempo

En la Fig. 2b mostramos la evolución dinámica de las variables para una instancia de

La dureza del rompecabezas como dinámica caótica.

Coloreamos los puntos de una cuadrícula de 10 3 × 10 3 en un plano arbitrario ( s , s

La aparición de un caos transitorio es una característica fundamental de la dinámica de

N . Dado que no existe un "límite termodinámico" para los problemas de Sudoku 9 × 9 (

Una escala tipo Richter para dureza Sudoku

En la Fig. 4a trazamos la distribución p ( t ) en una escala logarítmica lineal para varios

Tasa de escape como indicador de dureza.

(a) muestra la distribución en escala logarítmica lineal de la fracción p ( t ) de 10 4

La variabilidad de varios órdenes de magnitud de κ sugiere naturalmente el uso de una

con rompecabezas fáciles en el rango 0 <η ≤ 1, medianos en 1 <η ≤ 2, difíciles en 2 <η

Si bien la tasa de escape se correlaciona sorprendentemente bien con las calificaciones

Utilizando el mundo de los rompecabezas de Sudoku, aquí hemos presentado más

fáciles de manera eficiente (tiempo polinomial) , tanto analógicos como discretos) y 3)

es decir, uno y solo un componente en el vector booleano anterior puede ser

Las restricciones de tipo 2) en filas, columnas y subcuadrículas imponen además que en

Finalmente, las restricciones de tipo 3) se imponen mediante d dígitos o pistas dados.

Después de que se hayan identificado las variables booleanas desconocidas y las

1. Rosenhouse, J. & Taalman, L. Tomando el Sudoku en serio: Las matemáticas detrás

2. Garey, MR & Johnson, DS Computers and Intractability: A Guide to the Theory of

3. Karp, RM Reducibilidad entre problemas combinatorios. En complejidad de los

4. Yato, T. & Seta, T. Complejidad e integridad de encontrar otra solución y su

6. Barahona, F. Sobre la complejidad computacional de los modelos de vidrio giratorio

7. Istrail, S. Mecánica estadística, tridimensionalidad y completitud NP: I. Universalidad

8. Brueggemann, T. & Kern, W. Un algoritmo de búsqueda local mejorado para 3-SAT.

15. Ercsey-Ravasz, M. & Toroczkai, Z. Optimización de la dureza como caos transitorio

18. Zdeborová, L. & Mézard, M. Problemas de satisfacción con restricciones

19. Zdeborová, L. & Mézard, M. Los problemas de satisfacción de restricciones con

20. http://www.sudokuoftheday.co.uk (consultado el 26-07-2012)

24. http://www.youtube.com/watch?v=y4_aSLP9g_w (consultado el 19-06-2012).

25. http://www.extremesudoku.info/sudoku.html (consultado el 26-07-2012).

28. http://www.usatoday.com/news/offbeat/2006-11-06-sudoku_x.htm (consultado el

29. Eppstein, D. Resolver subproblemas de sudoku de un solo dígito,

31. http://mapleta.maths.uwa.edu.au/gordon/sudokumin.php (consultado el 26-07-

32. http://en.wikipedia.org/wiki/File:Symmetrical_18_clue_sudoku_01.JPG (consultado el

33. http://www.flickr.com/photos/npcomplete/3603730706/ (consultado el 24-06-

Información del autor