一， 导语

拼图游戏很适合休闲放松的时候玩，所以在上大学的一段时间里，我比较喜欢玩，用来打发无聊的时光。

恰巧2016年李世石与阿尔法狗对弈，虽然我不懂围棋，但也跟着围观了每场比赛。当时我想既然下围棋能够用算法完成，那自动复原拼图应该是更简单的一件事，一定会有算法。人工智能课上老师也讲过复原拼图的 \(A^*\) 算法,上网查资料拼图的复原也大都用 \(A^*\) 算法。不过对于复原拼图来讲， \(A^*\) 算法和瞎蒙的差别不大，如果M和N的值较小 \(A^*\) 可以适用，当M和N过大时由于搜索空间变得太大就不可行了。那么有没有一种更明确的算法，可以计算出复原拼图的路径呢？

二， 基本概念

约定1 :M*N拼图是由m行n列个图块构成的拼图。

约定2：用大写字母P表示拼图， \(P_i\) (i=1,2,3……n)表示拼图所处的某一状态， \(P_e\) 表示拼图的原始状态或复原状态。

定义1：复原拼图，可以表示为

\(P_i \overset{f}{\Rightarrow} P_e \) ，

即算法f作用到 \(P_i\) 上，使其回复到 \(P_e\) 状态。

定义2：拼图从 \(P_i\) 到 \(P_{i+1}\) 的状态变换为 \(φ·P_i=P_{i+1}\) ，简写为 \(φP_i=P_(i+1)\) ，即φ作用于状态 \(P_i\) 使其变化为状态 \(P_{i+1}\) 。

约定3：M*N拼图，我们用数字1,2,3……,mn-1作为图块的编号，用mn作为缺失图块的编号。用数字1,2,3……,mn表示位置的编号，位置的编号为从左至右，从上至下，依次递增，即左上角位置编号为1，右下角位置编号为mn。

约定4：图块 \(a_j\) 直接称为 \(a_j\) 。

以3*3拼图为例，它的位置编号如右图：在 \(P_e\) 状态下每个图块所在的位置的编号等于图块的编号。

定义3：设mn=o，拼图在状态 \(P_i\) 的具体表示为 \(P_i=\begin{pmatrix} 1 & 2 & 3 & \cdots & j & \cdots & k & \cdots & o\\ a_1 & a_2 & a_3 & \cdots & a_j & \cdots & a_k & \cdots & a_o \end{pmatrix}\)

,数列 \(α_1,α_2,α_3,……,α_o\) 表示图块编号，数列 \(1,2,3,……,o\) 表示位置，如果 \(α_j=o\) ，代表 \(a_j\) 为缺失的那个图块。

定义4：设 \(a_i 所在的位置编号是C_{α_i}，表示为\) \(a_j (C_{a_j })\)

或 \(a_j (\frac{C_{a_j}-C_{a_j} (modn)}{n},C_{a_j} (modn)),\frac{C_{a_j}-C_{a_j} (modn)}{n}\) 为行号 \(C_{a_j } (modn)\) 为列号。

拼图这样的表示方法和置换群的表示方法相同，事实上根据群的定义，拼图的所有状态构成群，可以吧拼图状态的变化看成置换群运算。

三， 等价性证明

本节将证明拼图状态变化与置换运算的等价，这是整个算法的理论基础。

证明：设 \(P_i=\begin{pmatrix} 1 & 2 & 3 & \cdots & j & \cdots & k & \cdots & o\\ a_1 & a_2 & a_3 & \cdots & a_j & \cdots & a_k & \cdots & a_o \end{pmatrix}\) ， \(a_j=o\) ，且 \(a_k\) 与缺失 \(a_j\) 相邻，将 \(a_k\) 移动到位置 j，由此 \(P_{i+1}=\begin{pmatrix} 1 & 2 & 3 & \cdots & j & \cdots & k & \cdots & o\\ a_1 & a_2 & a_3 & \cdots & a_j & \cdots & a_k & \cdots & a_o \end{pmatrix}\)

在置换群中有 \((j,k)∙P_i=P_{i+1}\) ，在前文已经定义 \(φ·P_i=P_{i+1}\) ，由 \(\begin{cases} &(j,k)\cdot P_i=P_{i+1} \\ &\varphi \cdot P_i=P_{i+1} \end{cases}\Rightarrow (j,k)\Leftrightarrow \varphi \)

，即φ等价为对换。拼图一系列状态的变化，可以表示为一系列对换运算。

四， 算法描述

现在我们已经有了描述拼图的数学工具，本部分给出算法的描述。

1，自上而下，自左至右，按行复原，并设当前要复原的图块为 \(a_j (C_{a_j} )\) 。

2，如果 \(\frac{a_j-a_j (modn)}{n}

3，如果 \(\frac{a_j-a_j (modn)}{n}

再将 \(a_j+1\) 移动到位置 \(a_j+1+n\) ,最后同时复原这两个图块。

4，如果 \(\frac{a_j-a_j (modn)}{n} =m-1\) , \(a_j (modn)

再将 \(a_j+n\) 移动到位置 \(a_j+n+1\) ，最后同时复原这两个图块。

5，如果 \(\frac{a_j-a_j (modn)}{n} =m-1\) , \(a_j (modn) =n-1\) ，顺时针或逆时针移动最后三块，直至回复到原来位置。至此拼图复原。

仅仅有这个算法还不够，我们还需要一个可以将 \(a_j\) 移动到指定位置的算法。

五， 相对位置分析—— \(a_j\) 至目标

将某一图块移动到某一位置，是实现拼图复原基本思路的关键，也是最困难的步骤。这里分两步来实现：

将mn移动到 \(a_j\) 附近，且 \(a_j\) 位置不变 。

将 \(a_j\) 移动到目标位置。

如图：

mn可能处在相对 \(a_j\) 的8个方位中的一个，将mn移动到 \(a_j\) 的正上、正下、正左、正右。 相对位置 \(a_j\) 则有16种可能的方位。也就是说如果根据相对方位来规划路线需要分析512种情况。当然真实情况数要少于512种。

约定5：命名 \(\rho_1\) 为正上， \(\rho_2\) 为右上， \(\rho_3\) 为正右， \(\rho_4\) 为右下， \(\rho_5\) 为正下， \(\rho_6\) 为左下， \(\rho_7\) 为正左， \(\rho_8\) 为左上。

定义5： \(\psi (x)\) 为目标位置， \(\psi\) 为目标。

\(\psi\) 是代表目标的占位符，并无其它意义。我们的目的是通过一系列对换将 \(a_j\) 移动到目标位置 \(\psi (x)\) 。

可以将 \(\rho_9\) 至 \(\rho_{16}\) 方位看成 \(\rho_1\) 至 \(\rho_8\) 方位的复合，如同分解向量一样将其分解为两个方位，这样可以将16种情况减少到8种。

约定6：先正向再斜向。

定义6： \(\rho_a=\rho_b+\rho_c\) (8

表1列出了 \(\rho_9\) 至 \(\rho_{16}\) 的分解方式：

表1：方位分解表

分析基本的8种方位，已知 \(a_j (C_{a_j}) \) 可得 \(\psi (x)\) ，推出： \(\begin{cases} & a_j(\frac{C_{a_j}-C_{a_j}modn}{n},C_{a_j}modn)\\ & \psi (\frac{x-xmodn}{n},xmodn) \end{cases} \)

定义7： \( \frac{x-xmodn}{n}- \frac{C_{a_j}-C_{a_j}modn}{n}=\Delta r\) ， \(\Delta r\) 为行差。

定义8： \(xmodn-C_{a_j}modn=\Delta c\) , \(\Delta c\) 为列差。

定义9： \(|\Delta r|-|\Delta c|=\Delta d\) , \(\Delta d\) 为行列差,即行差的绝对值减去列差的绝对值。

表2列出了方位与坐标差值的关系

表2：方位关系表

表3列出了复合方位与坐标差值的关系

表3：复合方位关系表

六， 相对位置分析——mn至 \(a_j\)

mn(它是缺失的那个，但我们仍认为它是一个存在的图块，mn的特殊性是只有它才能和周围的图块相交换)至 \(a_j\) 的相对位置仍然是任意的，但是将mn移动到想要的位置则简单一些。分析两者相对位置的原因是， \(a_j\) 的移动需要借助mn，所以我们要根据 \(a_j\) ，将mn移动到合适的位置。有四个带选取的位置分别是： \(C_{a_j }-1，C_{a_j }+1，C_{a_j}-n,C_{a_j}+n\)

如图划分了合适的位置与方位 \(\rho\) 的关系，

表4与上图对应

表4

不管两者如何对应，我们的目的本质是将mn移动到四个位置中的一个。

约定7：将mn移动到 \(a_j\) 附近，优先竖向移动，再横向移动。

七， 拼图移动策略

我们首先要考虑如何把mn移动到合理的位置，上图只描述了可能的移动路径。在真正的情况中可以遵守以下策略：优先竖向移动，mn在到达合理位置是不应改变 \(a_j\) 的位置。

移动 \(a_j\) 到目标位置，要完成这个任务，其实更应关注mn如何移动，mn作为缺失块，周围图块只能移动到mn所在的位置。这时mn的移动轨迹，具有周期性，mn的轨迹也能用公式表示出来。

八， 拼图移动定理

我们已将定义了很多概念，也做了很多约定。但是到目前为止我们还没有充分的利用起它们。尤其是拼图的状态变化可等价于对换运算，我们还未用到。后面的公式显示了数学的威力。

已知 \(a_j (C_{a_j} )\) ， \(mn(C_{mn} )\) , \(\psi (x_1),\psi (x_2)\) 为 \(a_j\) 要到达的目标， \(\Delta r_1, \Delta c_1, \Delta d_1\) 为 \(a_j\) 与目标 \(\psi (x_1)\) 的行差、列差、行列差， \(\Delta r_2, \Delta c_2, \Delta d_2\) 为mn与目标 \(\psi (x_2)\) 的行差、列差、行列差。

定理1：将mn竖向移动 \(\Delta r_2\) (-m< \(\Delta r_2\)

定理2：将mn横向移动 \(\Delta c_2\) (-n< \(\Delta c_2\)

定理3：将 \(a_j\) 竖向移动 \(\Delta r_1\) (-m< \(\Delta r_1\)

或

定理4：将 \(a_j\) 横向移动 \(\Delta c_1\) (-n< \(\Delta c_1\)

或

定理5：将 \(a_j\) 斜向移动 \(\Delta r_1\) (-m< \(\Delta r_1\)

拼图起始状态为 \(P_i\) ,等价于

定理中的公式很复杂，但是有了它们我们设想的算法便能实现。

九， 真实情况分析

复原拼图遇到的路径状况数目要少一些，而且有以下规律：

设当前刚复原 \(a_j\) 且 \(0

mn所在的位置必然在 j+1或 j+n。

\(a_{j+1}\) 必然在mn的左下、正下、右下、正右、右上、正左方位中的一个。

\(a_{j+1}\) 可能在位置j+1 或任何一个大于 j+1的位置。

如果 \(a_{j+1}\) 不在位置j+1 ，则 \(j+1-(j+1)modn

这四条规律可以稍微降低算法实现的难度。同时复原拼图时有一条限制：不能破坏已复原的图块。

十， 与 \(A^*\) 算法的比较

这个算法暂且命名为：拟人策略算法。

在文章开头我说过 \(A^*\) 算法和瞎蒙没啥区别，如果不在这里说出理由，恐怕要受人指摘了，毕竟人工智能课上老师可是重点讲过 \(A^*\) 算法。由于我没有相关 \(A^*\) 算法的实现，在这里只在理论上比较两种算法的优劣，并分别论述。

可还原拼图的状态数呈阶乘式的增长，4*4拼图的状态数为 \(\frac{16!}{2}\) ，5*5拼图的状态数为 \(\frac{25!}{2}\) ，m*n拼图的状态数为 \(\frac{(mn)!}{2}\) 。 \(A^*\) 算法采用预估函数剪去不必要的分支，假设这个预估函数由图块与本来位置的距离之和决定。 \(P_i\) 的预估值不会超过 \((mn)^3\) ，随着m*n的增大会有 \((mn)^3\ll \frac{(mn)!}{2}\) 。当m*n较小时，剪枝还能实现，当m*n较大时 \(A^*\) 算法必然要搜索巨大的状态空间，这会是灾难。另外，预估函数和拼图复原并不会有必然的关系，某一状态预估函数的值小不一定意味着它好复原。

拟人策略算法与之最大的区别是它不进行状态空间搜索，它按照人类复原拼图的模式进行复原。实际上我们可以估算出一个人复原拼图需要多少次交换，按照上文给出的算法， \(a_j\) 回到自己的位置大概会经过 \(\frac{m+n}{2}\) 格如果 \(a_j\) 每移动一格需进行6次交换，对于m*n个图块回到自己的位置会需要 \(\frac{m+n}{2}*6*mn=3mn(m+n)\) ，将mn移动到 \(a_j\) 附近估计需 \(\frac{m+n}{2}\) 次交换，m*n个图块就需要 \(0.5mn(m+n)\) 次交换，两者总计 \(3.5mn(m+n)\) 次交换。如果实现这个算法，它的时间复杂度可能会正比于 \((mn)^2\) 。这是个很粗略的估计，仅供参考。