No existe una fórmula universal de dificultad para nonogramas. Un sistema de clasificación tiene que decidir primero qué significa «difícil»: más deducciones, deducciones más complejas, cuellos de botella más largos, más búsqueda, mayores tiempos de resolución humanos o una combinación de varios factores.
Por eso dos editores pueden asignar etiquetas distintas al mismo puzle sin que ninguno esté incumpliendo las reglas.
La dificultad depende de un modelo de resolución
Imagina dos solvers.
El Solver A solo conoce solapamiento básico y lógica de bloques completados. El Solver B puede enumerar todos los patrones válidos de una línea y utilizar razonamiento por contradicción.
El mismo puzle puede detener al Solver A y avanzar sin problemas para el Solver B.
Por tanto, una puntuación de dificultad depende en parte de qué operaciones se permite realizar al solver que la mide.
La investigación académica sobre nonogramas hace explícita esta idea definiendo clases concretas de razonamiento y midiendo después los puzles en relación con esas clases.
Señales habituales para estimar dificultad
Número de pasadas o deducciones
Un modelo sencillo puede contar cuántos barridos de filas y columnas hacen falta antes de completar el puzle.
Batenburg y otros autores estudiaron una clase de nonogramas resolubles mediante razonamiento local por líneas y definieron una medida de dificultad basada en barridos horizontales y verticales repetidos. El modelo es útil precisamente porque primero fija el procedimiento de resolución.
Más pasos suelen implicar más trabajo bajo ese modelo, pero el simple recuento no captura todo lo que experimenta una persona.
Técnica más fuerte necesaria
Un puzle que se resuelve por completo con encajes exactos y solapamientos evidentes suele ser más accesible que otro que necesita enumeración de patrones o contradicción.
Un producto puede asignar pesos a familias de técnicas o utilizar la técnica más potente requerida como uno de los componentes de la clasificación.
Libertad de las pistas
Las líneas con poca holgura tienen menos colocaciones posibles. Las líneas con muchos patrones supervivientes suelen revelar menos información.
Un modelo puede utilizar:
- extensión mínima;
- holgura;
- número de patrones válidos de línea;
- rapidez con la que esos patrones colapsan cuando llega información cruzada.
Longitud de las cadenas de propagación
Algunos puzles revelan muchas casillas inmediatamente. Otros dependen de cadenas largas en las que una deducción mínima desbloquea exactamente una línea cruzada cada vez.
Una cadena de dependencias larga puede aumentar la dificultad aunque cada paso individual sea elemental.
Cuellos de botella
Un puzle puede ser fácil durante el 90 % de la cuadrícula y sentirse difícil porque un único estado exige una deducción sutil antes de que pueda continuar nada más.
El trabajo medio y la dificultad máxima de razonamiento son métricas distintas.
Un buen sistema de clasificación debería ser capaz de observar ambas.
Necesidad de ramificación, probing o contradicción
Si un solver lógico concreto llega a un punto fijo con casillas todavía sin resolver, un proceso más fuerte puede explorar temporalmente supuestos o ramas de búsqueda.
La presencia, profundidad y frecuencia de esa búsqueda puede ser una señal potente para clasificaciones generadas por ordenador.
Pero hay que interpretarla con cuidado: un solver limitado puede necesitar ramificar en un puzle para el que una persona conoce una técnica directa más fuerte.
Por qué el tamaño de la cuadrícula es una medida débil por sí solo
Una cuadrícula mayor contiene más casillas y normalmente tarda más en completarse, pero eso no equivale a mayor dificultad lógica.
Un puzle grande con pistas largas e informativas puede ofrecer deducciones constantes. Uno compacto con pistas cortas y mucha holgura puede esconder un cuello de botella mucho más duro.
El tamaño sí es contexto útil para:
- duración esperada;
- carga visual;
- esfuerzo de escaneo;
- número de líneas que hay que gestionar.
Pero no debería tratarse como una puntuación lógica independiente.
Dificultad humana frente a dificultad informática
Un ordenador y una persona no experimentan un puzle de la misma manera.
Un programa puede contar millones de operaciones ejecutando un algoritmo conceptualmente simple. Una persona puede ver la misma deducción de forma casi inmediata.
A la inversa, un ordenador puede comparar cientos de patrones de línea perfectamente mientras que para una persona mantener ese registro sería agotador.
Por eso las clasificaciones orientadas a humanos pueden incorporar:
- tiempos de resolución observados;
- tasas de finalización;
- uso de pistas o ayudas;
- tasas de error;
- nivel del jugador;
- qué deducciones detectan realmente las personas.
Esos datos pueden complementar las señales derivadas de un solver en lugar de sustituirlas.
La dificultad también puede ser un objetivo durante la generación
La dificultad no es únicamente algo que se mide después de crear el puzle.
La investigación ha utilizado solvers similares a humanos dentro de sistemas de generación: se evalúan nonogramas candidatos según cómo progresa el solver modelado y después se modifica la imagen o el puzle para acercarlo a un rango de dificultad objetivo.
Trabajos más recientes también han explorado métodos de optimización que buscan puzles puntuados como difíciles y entretenidos bajo un modelo concreto de evaluación.
Esto refuerza un principio importante:
una etiqueta de dificultad solo tiene sentido en relación con un modelo definido y un proceso de calibración.
Qué debería considerar una futura clasificación de VeyraPlay
Esta guía no congela la fórmula de producción de VeyraPlay. Esa fórmula deberá calibrarse con el motor real y con datos de jugadores.
Un sistema futuro robusto podría combinar:
- solvencia bajo conjuntos de técnicas progresivamente más fuertes;
- número total de deducciones forzadas;
- cantidad y severidad de cuellos de botella;
- recuentos de patrones de línea;
- profundidad de propagación;
- necesidad de contradicción o búsqueda;
- tamaño de cuadrícula como contexto de carga de trabajo;
- comportamiento empírico de jugadores cuando exista suficiente volumen de datos.
La decisión arquitectónica importante es mantener separadas la etiqueta de dificultad y la evidencia de dificultad, de forma que la clasificación pueda evolucionar sin reescribir la identidad lógica del puzle.
Errores habituales
«Difícil significa grande»
Grande suele significar más largo. No necesariamente más difícil desde el punto de vista lógico.
«Único significa suficientemente fácil de resolver»
La unicidad afirma que existe una sola respuesta, no lo difícil que es demostrarla.
«Una clasificación generada por ordenador es objetiva»
Puede ser reproducible bajo su algoritmo, pero el algoritmo sigue incorporando decisiones sobre qué operaciones cuentan y cuánto pesan.
«La técnica más difícil determina toda la clasificación»
Dos puzles pueden exigir la misma técnica y diferir enormemente en cuántas veces aparece, lo oculta que está o lo larga que es la cadena de dependencias.
Qué aprender después
Para la parte algorítmica, continúa con Cómo funcionan los solvers informáticos de nonogramas. Para la razón teórica más amplia por la que algunas instancias pueden hacerse difíciles, lee Por qué los nonogramas son computacionalmente difíciles.
Preguntas frecuentes
¿Existe un estándar oficial Fácil/Medio/Difícil para nonogramas?
No existe uno universal. Cada editor puede definir y calibrar su propia escala.
¿Puede calcularse la dificultad antes de que jueguen personas reales?
Sí. Un modelo basado en un solver puede estimarla. Más adelante, los datos de jugadores pueden mejorar la calibración.
¿Dos nonogramas del mismo tamaño pueden tener dificultades muy distintas?
Sí. La estructura de sus pistas, las colocaciones válidas, los recorridos de propagación y el razonamiento requerido pueden ser completamente diferentes.