
本文介绍如何利用 numpy 矩阵建模事件间的不相容(disjoint)与子集(subset)逻辑约束,并通过符号逻辑求解器(sympy)系统性地生成所有满足条件的布尔事件组合,适用于概率建模、规则引擎与离散事件系统设计。
本文介绍如何利用 numpy 矩阵建模事件间的不相容(disjoint)与子集(subset)逻辑约束,并通过符号逻辑求解器(sympy)系统性地生成所有满足条件的布尔事件组合,适用于概率建模、规则引擎与离散事件系统设计。
在构建复杂事件系统的状态空间时(如网球比赛中的多粒度结果),我们常需从一组原子事件出发,枚举所有逻辑上自洽的联合发生情形。仅靠暴力枚举(itertools.product)远远不够——必须嵌入领域知识:哪些事件互斥?哪些事件存在蕴含关系(如“60–0 获胜” ⇒ “A 获胜”)?原始尝试中,disjoint 检查基本正确,但 subset 过滤逻辑有误:它错误地将“子事件未发生而父事件发生”判为非法(实际合法),却忽略了关键约束——子事件发生时,父事件必须同时发生(即 c → a,而非 a ↔ c)。
正确的建模应将约束拆解为三类逻辑蕴含:
-
不相容约束(D 矩阵):
D[i,j] == 1表示事件i与j不能共存 → 对应逻辑式x_i → ¬x_j; -
子集约束(S 矩阵):
S[i,j] == 1表示事件i是事件j的子集 → 即x_i → x_j; -
补集蕴含约束(N 矩阵):
N[i,j] == 1表示“i不发生”蕴含“j发生”,例如¬a → b(A 未赢 ⇒ B 赢),这是D无法表达的非对称互补关系。
下面给出一个鲁棒、可扩展的实现方案,使用 sympy 进行符号推理,避免手动遍历与逻辑漏洞:
import numpy as np
from sympy import symbols, And, Or, Not, Implies
from sympy.logic.inference import satisfiable
def generate_valid_combinations(D: np.ndarray, S: np.ndarray, N: np.ndarray = None) -> np.ndarray:
"""
基于不相容矩阵 D、子集矩阵 S 和可选的补集蕴含矩阵 N,
生成所有满足逻辑约束的布尔事件组合(每行是一个合法状态向量)。
Parameters:
-----------
D : (n, n) ndarray
D[i,j] == 1 表示事件 i 与 j 互斥 → x_i → ¬x_j
S : (n, n) ndarray
S[i,j] == 1 表示事件 i 是事件 j 的子集 → x_i → x_j
N : (n, n) ndarray, optional
N[i,j] == 1 表示 ¬x_i → x_j(i 不发生 ⇒ j 必发生)
Returns:
--------
X : (m, n) ndarray
所有合法组合构成的二维数组,每行是长度为 n 的 0/1 向量
"""
n = D.shape[0]
assert D.shape == S.shape == (n, n)
if N is not None:
assert N.shape == (n, n)
# 定义符号变量 x0, x1, ..., x_{n-1}
xs = symbols(f"x0:{n}")
# 构建所有蕴含约束
constraints = []
# D: x_i → ¬x_j
for i in range(n):
for j in range(n):
if D[i, j]:
constraints.append(Implies(xs[i], Not(xs[j])))
# S: x_i → x_j
for i in range(n):
for j in range(n):
if S[i, j]:
constraints.append(Implies(xs[i], xs[j]))
# N: ¬x_i → x_j
if N is not None:
for i in range(n):
for j in range(n):
if N[i, j]:
constraints.append(Implies(Not(xs[i]), xs[j]))
# 合并所有约束
full_expr = And(*constraints)
# 求解所有模型(满足约束的赋值)
models = list(satisfiable(full_expr, all_models=True))
# 转换为 NumPy 数组
result = np.zeros((len(models), n), dtype=int)
for idx, model in enumerate(models):
for k, v in model.items():
if k.name.startswith("x"):
pos = int(k.name[1:])
result[idx, pos] = 1 if v else 0
return result
# 示例:网球比赛约束(修正后的标准输入)
D = np.array([
[0, 1, 0, 0, 0], # A赢 与 B赢、A60-0、A60-15、Ace 互斥?→ 实际仅与B赢、Ace部分互斥,此处按原文调整
[1, 0, 1, 1, 0], # B赢 与 A赢、A60-0、A60-15 互斥
[0, 1, 0, 1, 1], # A60-0 与 B赢、A60-15、Ace 互斥
[0, 1, 1, 0, 0], # A60-15 与 B赢、A60-0 互斥(补充对称项)
[0, 0, 1, 0, 0] # Ace 与 A60-0 互斥
])
S = np.array([
[0, 0, 1, 1, 0], # A60-0 和 A60-15 都是 A赢 的子集 → S[2,0]=1, S[3,0]=1
[0, 0, 0, 0, 0],
[0, 0, 0, 0, 0],
[0, 0, 0, 0, 0],
[0, 0, 0, 0, 0]
])
N = np.array([
[0, 1, 0, 0, 0], # ¬A赢 ⇒ B赢
[1, 0, 0, 0, 0], # ¬B赢 ⇒ A赢
[0, 0, 0, 0, 0],
[0, 0, 0, 0, 0],
[0, 0, 0, 0, 0]
])
X = generate_valid_combinations(D, S, N)
print("所有合法事件组合(共 {} 种):".format(len(X)))
print(X)✅ 关键优势:
-
语义清晰:每个矩阵对应一类明确的逻辑含义,避免混淆
x_i → x_j与x_j → x_i; -
完备无漏:
sympy.satisfiable保证穷尽所有解,不依赖启发式剪枝; - 可验证性强:约束以符号形式显式写出,便于人工校验与调试;
- 扩展灵活:新增事件只需扩展矩阵维度与约束,无需重写核心逻辑。
⚠️ 注意事项:
-
D和N矩阵若具备对称性(如D[i,j] == D[j,i]),说明约束双向成立,此时可只填上三角以减少冗余; - 实际应用中,建议对输入矩阵做合法性检查(如
D[i,i]应恒为 0,因事件不能与自身互斥); - 当事件数
n > 20时,状态空间呈指数增长(2ⁿ),此时应考虑增量生成、约束传播或 SAT 求解器(如pysat)替代sympy。
最终输出的 X 即为问题所求的全部可能结果矩阵,每一行代表一个逻辑自洽的原子事件联合状态,可直接用于后续的概率分配、蒙特卡洛采样或决策树构建。

















