我做了两个实现来解决Shikaku谜题。一个使用Top，Left，Width和Height（TLWH）作为每个矩形的参数，另一个使用Top，Left，Bottom，Right（TLBR）。
出于某种原因，使用TLBR的人要快得多，但我不确定为什么。所以我想知道是否有办法在TLWH实现中看到什么约束花了这么长时间。
有没有办法分析ECLiPSe CLP解决方案？
我目前在Windows上使用TkEclipse。
答案 0 :(得分：3)
CLP程序的典型特征是代码之间存在没有简单的关系（特别是模拟问题的部分）和执行性能。最明显的例子是，通过添加冗余约束，通常可以彻底减少运行时。
CLP表现的主要因素是搜索树的大小和形状，幸运的是，这取决于很多因素。幸运的是，因为它为我们提供了许多影响搜索树的选项。不幸的是，因为它会使预测性能变得困难。
第二个因素是约束传播的强度，它与模型的制定方式有更直接的联系。例如，单个“全局”约束（一次对许多变量起作用）通常比具有许多较小约束的等效公式提供更强的传播。传播强度又会影响搜索树的大小。
因此，要找出为什么两个实现的行为如此不同，第一步是比较它们的搜索树。最简单的方法是查看查找解决方案所需的回溯的数量。如果您使用search/6库谓词，则可以通过Options参数获取计数：
search(Xs, ..., ..., ..., ..., [backtrack(BT)]),
printf("Solution found after %d backtracks%n", [BT]),
我使用this Sikaku code作为我的TLBR模型，使用修改后的版本作为TLWH模型。为了找到p（15,1）问题的解决方案，需要
TLBR: 0 backtracks
TLWH: 171 backtracks
显然，这两个程序做的事情非常不同。特别是，TLBR模型似乎“更紧”，不需要太多搜索！
为了找出原因，我在搜索阶段开始之前比较了计算状态（我刚刚删除了对搜索例程的调用，并打印了网格及其部分结果 - 你可以还可以使用跟踪器和术语检查器工具或其他可视化工具）。事实证明，在TLBR模型中，许多矩形已经有了它们的最终位置（即它们的坐标变量已经被实例化），而在TLWH模型中它们都没有（它们的变量仍然可以采用多个值）。
仔细研究一个子问题可以说明原因。仅考虑水平坐标，假设L是左边缘，R是右边缘，W是矩形的宽度。给出L和W的域，矩形必须覆盖点9.在TLBR模型中，这会导致约束：
?- L::6..9, W::1..4, R#=L+W-1, L#=<9, 9#=<R.
L = L{6..9}
W = W{1..4}
R = R{9..12}
There is 1 delayed goal.
Yes (0.00s cpu)
在TLWH模型中，我们必须以不同方式编写最后一个约束，因为此时我们没有可用的R变量：
?- L::6..9, W::1..4, Rimplicit#=L+W-1, L#=<9, 9#=<L+W-1.
L = L{6..9}
W = W{1..4}
Rimplicit = Rimplicit{6..12}
There are 2 delayed goals.
Yes (0.00s cpu)
我们在TLWH模型中看到右边缘的域，当从L+W-1计算时，并不反映它必须至少为9的信息。我们已经失去了一些传播强度而没有考虑到L+W-1子表达式，我认为这是传播较弱的主要原因。
搜索树存在差异的另一个原因是，我们只是标记了不同的变量：在一种情况下为[L,R]，在另一种情况下为[L,W]。特别是在使用域敏感变量选择启发式时，这会导致非常不同的行为。