Es gibt keine universelle Formel für Nonogramm-Schwierigkeit. Ein Bewertungssystem muss zuerst definieren, was „schwierig“ überhaupt bedeutet: mehr Deduktionen, schwierigere Deduktionen, längere Engpässe, mehr Suche, langsamere menschliche Lösungszeiten oder eine Kombination daraus.
Darum können zwei Herausgeber demselben Puzzle unterschiedliche Schwierigkeitsstufen geben, ohne dass einer von beiden gegen die Regeln verstößt.
Schwierigkeit ist eine Eigenschaft eines Lösungsmodells
Stell dir zwei Solver vor.
Solver A kennt nur grundlegende Überlappung und Logik abgeschlossener Blöcke. Solver B kann alle gültigen Linienmuster auswerten und Widerspruchsdenken einsetzen.
Dasselbe Puzzle kann für Solver A feststecken und für Solver B fast problemlos weiterlaufen.
Ein Schwierigkeitsscore hängt deshalb teilweise davon ab, welche Operationen der messende Solver verwenden darf.
Auch wissenschaftliche Arbeiten zu Nonogrammen machen diese Abhängigkeit explizit: Sie definieren zunächst bestimmte Klassen erlaubter Schlussfolgerungen und bewerten Puzzles anschließend relativ zu diesem Modell.
Typische Signale für eine Schwierigkeitsbewertung
Anzahl von Durchläufen oder Deduktionen
Ein einfaches Modell kann zählen, wie viele Zeilen-/Spaltenrunden nötig sind, bevor das Puzzle gelöst ist.
Batenburg und Kollegen untersuchten eine Klasse von Nonogrammen, die durch lokale Linienlogik lösbar ist, und definierten eine Schwierigkeit über wiederholte horizontale und vertikale Durchläufe. Das Modell ist gerade deshalb aussagekräftig, weil sein Lösungsverfahren vorher exakt festgelegt wird.
Mehr Schritte bedeuten unter diesem Modell meist mehr Arbeit, aber die reine Schrittzahl bildet nicht alles ab, was Menschen als schwierig empfinden.
Schwierigste benötigte Technik
Ein Puzzle, das vollständig mit exakter Einpassung und offensichtlicher Überlappung lösbar ist, ist normalerweise zugänglicher als eines, das vollständige Linienmusteranalyse oder Widerspruchsdenken benötigt.
Ein Produkt kann deshalb Technikfamilien gewichten oder die stärkste erforderliche Technik als einen Teil des Ratings verwenden.
Freiheitsgrad der Hinweise
Linien mit wenig Spielraum besitzen weniger mögliche Platzierungen. Linien mit vielen überlebenden Mustern liefern oft weniger Information.
Ein Modell kann unter anderem berücksichtigen:
- Mindestplatz;
- Spielraum;
- Anzahl gültiger Linienmuster;
- Geschwindigkeit, mit der diese Muster durch Kreuzungsinformationen zusammenbrechen.
Länge von Propagationsketten
Manche Puzzles geben sofort viele Zellen frei. Andere hängen an langen Ketten, in denen eine kleine Deduktion genau eine kreuzende Linie öffnet, die wiederum die nächste verändert.
Eine lange Abhängigkeitskette kann die Schwierigkeit erhöhen, selbst wenn jeder einzelne Schritt elementar ist.
Engpässe
Ein Puzzle kann zu 90 % leicht sein und sich trotzdem schwierig anfühlen, weil an einer Stelle eine subtile Schlussfolgerung nötig ist, bevor überhaupt etwas weitergeht.
Durchschnittlicher Aufwand und maximale Denkschwierigkeit sind daher unterschiedliche Metriken.
Ein sinnvolles Rating sollte beides erkennen.
Branching, Probing oder Widerspruchsanalyse
Erreicht ein gewählter logischer Solver einen festen Punkt, obwohl noch Zellen offen sind, kann ein stärkerer Prozess vorübergehend Annahmen testen oder Suchzweige untersuchen.
Ob solche Suche überhaupt nötig wird, wie tief sie reicht und wie oft sie auftritt, kann für computergenerierte Ratings ein starkes Schwierigkeitssignal sein.
Dieses Signal muss aber vorsichtig interpretiert werden: Ein begrenzter Solver kann auf einem Puzzle verzweigen, für das ein Mensch eine stärkere direkte Technik kennt.
Warum Rastergröße allein nur schwach aussagekräftig ist
Ein größeres Raster enthält mehr Zellen und dauert meist länger, aber das ist nicht dasselbe wie logische Schwierigkeit.
Ein großes Puzzle mit langen, informationsreichen Hinweisen kann stetigen Fortschritt liefern. Ein kleines Raster mit kurzen Hinweisen und viel Spielraum kann dagegen einen viel engeren logischen Engpass erzeugen.
Größe ist nützlich als Kontext für:
- erwartete Dauer;
- visuelle Arbeitslast;
- Scan-Aufwand;
- Anzahl zu verwaltender Linien.
Als alleiniger Logikscore taugt sie nicht.
Menschliche Schwierigkeit vs. Computer-Schwierigkeit
Ein Computer und ein Mensch erleben ein Puzzle nicht gleich.
Ein Programm kann Millionen Operationen ausführen, obwohl der zugrunde liegende Algorithmus konzeptionell einfach ist. Ein Mensch sieht dieselbe Deduktion vielleicht sofort.
Umgekehrt kann ein Computer Hunderte Linienmuster fehlerfrei vergleichen, während diese Buchhaltung für einen Menschen äußerst anstrengend wäre.
Menschenorientierte Ratings können deshalb zusätzlich berücksichtigen:
- beobachtete Lösungszeiten;
- Abschlussquoten;
- Nutzung von Hinweisen;
- Fehlerraten;
- Spielerstärke;
- welche Deduktionen Menschen tatsächlich wahrnehmen.
Solche Daten ergänzen Solver-Merkmale, statt sie vollständig zu ersetzen.
Schwierigkeit kann schon bei der Generierung angestrebt werden
Schwierigkeit muss nicht erst gemessen werden, wenn das Puzzle fertig ist.
Forschung hat menschenähnliche Solver direkt in Generierungsprozesse eingebaut: Kandidaten werden danach bewertet, wie das modellierte Lösungsverfahren vorankommt, und das Ausgangsbild oder die Puzzle-Struktur wird verändert, um einen gewünschten Schwierigkeitsbereich zu erreichen.
Neuere Ansätze verwenden außerdem Optimierungsverfahren, die gezielt nach Puzzles suchen, die unter einem bestimmten Bewertungsmodell schwierig und zugleich spielerisch interessant sind.
Das verstärkt ein wichtiges Prinzip:
Eine Schwierigkeitsstufe ist nur relativ zu einem definierten Modell und einer Kalibrierung wirklich bedeutungsvoll.
Was ein zukünftiges VeyraPlay-Rating berücksichtigen sollte
Dieser Guide friert keine endgültige VeyraPlay-Produktionsformel ein. Diese sollte später gegen den tatsächlichen Engine-Stack und echte Spielerdaten kalibriert werden.
Ein robustes zukünftiges System könnte kombinieren:
- Lösbarkeit unter zunehmend stärkeren Technikmengen;
- Gesamtzahl erzwungener Deduktionen;
- Anzahl und Schwere von Engpässen;
- Anzahl gültiger Linienmuster;
- Tiefe der Propagation;
- Anforderungen an Widerspruch oder Suche;
- Rastergröße als Kontext für Arbeitsaufwand;
- empirisches Spielerverhalten, sobald genügend Daten vorliegen.
Die wichtige Architekturentscheidung lautet: Schwierigkeitslabel und Schwierigkeitsevidenz bleiben getrennt. So kann sich die Bewertung weiterentwickeln, ohne die logische Identität des Puzzles neu zu schreiben.
Häufige Missverständnisse
„Schwer bedeutet groß“
Groß bedeutet oft länger. Es bedeutet nicht zwangsläufig logisch schwieriger.
„Eindeutig bedeutet leicht genug zum Lösen“
Eindeutigkeit sagt, dass es eine Antwort gibt – nicht, wie schwer es ist, diese Antwort zu beweisen.
„Ein computergeneriertes Rating ist objektiv“
Es ist unter seinem Algorithmus reproduzierbar. Der Algorithmus enthält aber weiterhin Entscheidungen darüber, welche Operationen zählen und wie sie gewichtet werden.
„Die schwierigste Technik bestimmt das gesamte Rating“
Zwei Puzzles können dieselbe stärkste Technik benötigen und sich trotzdem stark darin unterscheiden, wie oft sie vorkommt, wie verborgen sie ist und wie lang die Abhängigkeitsketten werden.
Was du als Nächstes lernen kannst
Für die algorithmische Seite lies Wie Computer-Nonogramm-Solver funktionieren. Für den theoretischen Grund, warum manche Instanzen grundsätzlich schwierig werden können, lies Warum Nonogramme rechnerisch schwierig sind.
FAQ
Gibt es einen offiziellen Easy-/Medium-/Hard-Standard für Nonogramme?
Nein. Herausgeber können eigene Skalen definieren und kalibrieren.
Kann Schwierigkeit berechnet werden, bevor Spieler das Puzzle lösen?
Ja. Ein Solver-basiertes Modell kann sie schätzen. Reale Spielerdaten können die Kalibrierung später verbessern.
Können zwei gleich große Nonogramme sehr unterschiedlich schwierig sein?
Absolut. Hinweisstruktur, gültige Platzierungen, Propagationswege und benötigte Schlussfolgerungen können sich massiv unterscheiden.