From Exact Search to Evolutionary Algorithms: Benchmarking N-Queens Solvers
Notice bibliographique
Résumé
The N-Queens problem, a classical benchmark in combinatorial optimization, is widely used to evaluate algorithmic strategies across search, heuristic, and metaheuristic paradigms. This paper presents a systematic comparative study of four representative algorithms—Depth-First Search (DFS), Hill-Climbing (HC), Simulated Annealing (SA), and Genetic Algorithms (GA)—analyzed under a standardized experimental framework. Each solver was implemented in Python and tested on board sizes ranging from N = 10 to N = 200, with performance measured by success rate, runtime, memory usage, initialization robustness, and sensitivity to parameter tuning. Results indicate that DFS provides guaranteed completeness for small-scale problems but becomes intractable beyond N = 30 due to exponential runtime growth. HC offers fast approximate solutions for medium board sizes but suffers from premature convergence to local optima and sensitivity to initialization. SA consistently outperformed HC in both robustness and scalability, achieving success rates above 80% for N ≤ 100, though performance declined on very large boards. GA demonstrated the highest reliability for large-scale instances (N ≥ 100), maintaining near-100% success rates with greater computational cost and tuning complexity. These findings highlight the trade-offs between completeness, scalability, and robustness, offering actionable guidelines for selecting suitable algorithms in large-scale constraint satisfaction problems.
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 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».