使用约束规划确定NHL季后赛晋级情景
摘要
AWS生成式AI创新中心开发了一套基于约束规划和树搜索的自动化系统，用于生成NHL季后赛晋级锁定情景，并通过官方数据验证了准确性。
核心要点
- 系统使用 Google OR-Tools 中的 CP-SAT 求解器构建 0-day 求解器，将问题建模为可行性问题：若不存在让该队缺席季后赛的比赛结果组合，则该队已锁定季后赛。
- n-day 前瞻求解器通过自定义树搜索枚举未来 n 天比赛结果，并调用 0-day 求解器判断晋级条件，同时利用预处理、剪枝策略和节点排序启发式保持搜索可控。
- 验证覆盖 2021-22 至 2024-25 四个 NHL 常规赛季，所有系统生成的情景与 NHL 官方发布的情景完全一致。
- 确定 1 天晋级情景所需的中位运行时间在分钟级别，相比人工方式显著提速。
- 剪枝效率接近 100%，大部分搜索树无需显式探索。
原文佐证
- All scenarios produced by our system matched exactly with those published by the NHL.
- Determining 1-day clinch scenarios required a median runtime on the order of minutes, offering significant speedups over manual approaches
- Our approach uses constraint programming (CP) and custom tree search to produce these scenarios
AI 洞察
这项研究展示了组合优化在解决具体体育谜题中的潜力，将看似随机的赛况转化为可计算问题。对 NHL 等联盟而言，自动化数据决策可节省人力并提升准确性；对 AI 行业而言，它证明约束规划与专用搜索仍可在特定领域发挥真实商业价值，且能与生成式 AI 互补。未来类似方法可推广到更多体育联赛及复杂规则场景，成为体育分析的基础设施。