我做了两个实现来解决 Shikaku 难题。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)。
由于某种原因，使用 TLBR 的速度要快得多，但我不确定为什么。所以我想知道是否有一种方法可以查看在 TLWH 实现中哪些约束需要更长的时间。
有没有办法分析 ECLiPSe CLP 解决方案？
我目前在 Windows 上使用 TkEclipse。
【问题讨论】：
标签： clpfd eclipse-clp
在代码（尤其是建模问题的部分）与其执行性能之间没有简单的关系，这是非常典型的 CLP 程序。最明显的例子是，通常可以通过添加冗余约束来大幅减少运行时间。
CLP 性能的主要因素是搜索树的大小和形状，幸运的是，这取决于许多因素。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，因为它使预测性能变得困难。
第二个因素是约束传播的强度，这在某种程度上与模型的制定方式更直接相关。例如，单个“全局”约束（同时作用于多个变量）通常比具有许多较小约束的等效公式提供更强的传播。传播强度反过来会影响搜索树的大小。
因此，要找出为什么您的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找到解决方案所需的回溯数量。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，并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，这些需要
TLBR: 0 backtracks
TLWH: 171 backtracks
显然，这两个程序做的事情截然不同。特别是 TLBR 模型看起来更“紧凑”，不需要太多搜索！
为了找出原因，我比较了搜索阶段开始之前的计算状态（我刚刚删除了对搜索例程的调用，并打印了带有部分结果的网格 - 你可以也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实例化），而在 TLWH 模型中它们都没有（它们的变量仍然可以取很多值）。
仔细研究一个子问题会发现原因。只考虑水平坐标，假设 L 是左边缘，R 是右边缘，W 是矩形的宽度。给定 L 和 W 的域，矩形必须覆盖点 9。在 TLBR 模型中，这导致了约束：
?- 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，我们必须以不同的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，当从 L+W-1 计算时，右边缘的域不能反映它必须至少为 9 的信息。由于不考虑 @987654329，我们损失了一些传播强度@subexpression，我认为这是传播较弱的主要原因。
搜索树的差异还有另一个原因，那就是我们只是有不同的变量要标记：[L,R] 在一种情况下，[L,W] 在另一种情况下。特别是在使用域敏感变量选择启发式时，这可能会导致非常不同的行为。
【讨论】：