Exhaustive Search, Heuristics, and Metaheuristics: A Unified Framework for N-Queens
Notice bibliographique
Résumé
The N-Queens problem is a classical constraint satisfaction challenge in artificial intelligence, where the task is to place N queens on an N × N chessboard such that no two queens threaten each other. While conceptually simple, the exponential growth of possible configurations makes it a benchmark problem for evaluating optimization strategies. This paper presents a comprehensive comparative analysis of four algorithmic approaches—Depth-First Search (DFS), Hill Climbing, Simulated Annealing, and Genetic Algorithms—implemented from scratch and evaluated under a unified framework. Each algorithm was tested on board sizes from N = 10 to N = 100, with performance assessed in terms of success rate, execution time, memory usage, and robustness under randomized initial states. Results show that DFS reliably solves small boards but becomes impractical beyond N = 30. Hill Climbing scales moderately but frequently converges to local optima. Genetic Algorithms exhibit inconsistent performance, requiring careful parameter tuning to avoid premature convergence. Simulated Annealing consistently outperformed other methods, achieving robust and scalable results across all board sizes with low memory overhead. The study’s novelty lies in its standardized benchmarking environment, detailed tracking of both successes and failures, and visual logging of solutions. These findings emphasize the strengths of metaheuristic methods—particularly Simulated Annealing—for large-scale constraint satisfaction and provide practical insights for designing hybrid or parallel approaches.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».