
本文介绍如何利用 numpy 与符号逻辑(sympy)联合建模事件间的互斥(disjoint)与子集(subset)约束,自动生成所有逻辑一致的布尔事件组合矩阵,适用于体育赛事分析、概率建模及形式化知识表示等场景。
本文介绍如何利用 numpy 与符号逻辑(sympy)联合建模事件间的互斥(disjoint)与子集(subset)约束,自动生成所有逻辑一致的布尔事件组合矩阵,适用于体育赛事分析、概率建模及形式化知识表示等场景。
在建模现实世界中的复合事件(如网球比赛结果)时,我们常需同时表达两类关键逻辑关系:互斥性(mutual exclusivity)——即两个事件不能同时为真;以及包含性(subset inclusion)——即某事件发生必然导致另一事件发生(例如“A 赢得 60–0” ⊆ “A 赢”)。原始问题中提供的 D(互斥矩阵)和 S(子集矩阵)仅刻画了部分约束,若直接用于暴力枚举过滤(如 itertools.product + 手动校验),极易遗漏隐含逻辑(如“非 A 赢 ⇒ B 赢”),导致生成非法组合(如 A wins with 60-0 与 B scores an ace 同时为真)或漏掉合法组合。
核心难点在于:D 和 S 本身不构成完备约束系统。D[i,j] = 1 表示事件 i 与 j 互斥(x_i ∧ x_j ≡ False),等价于 x_i → ¬x_j;S[i,j] = 1 表示 i 是 j 的子集(x_i ⇒ x_j)。但仅此二者无法推导出反向蕴含(如 ¬x_i ⇒ x_j),而这恰是区分“A 输”与“B 赢”的关键。因此,必须引入第三类矩阵 N,显式编码“否定前提蕴含肯定结论”的关系(¬x_i ⇒ x_j),三者共同构成逻辑闭包。
以下给出推荐的三矩阵联合建模法(对应原文 Solution 3),其结构清晰、语义明确、易于验证与扩展:
import numpy as np
from sympy import symbols, And, satisfiable
def generate_compatible_outcomes(
D: np.ndarray,
S: np.ndarray,
N: np.ndarray
) -> np.ndarray:
"""
基于互斥(D)、子集(S)、否定蕴含(N)三类约束,生成所有相容布尔组合
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 j 的子集 (x_i → x_j)
N : (n,n) ndarray
N[i,j]=1 表示事件 i 不发生蕴含 j 发生 (¬x_i → x_j)
Returns:
--------
X : (m,n) ndarray
每行是一个合法的 n 维布尔向量,共 m 种相容组合
"""
assert all(m.shape == D.shape for m in [S, N])
assert D.shape[0] == D.shape[1]
n = D.shape[0]
variables = symbols(f"x0:{n}")
# 构建所有逻辑蕴含表达式
implications = []
for i in range(n):
for j in range(n):
if D[i, j]:
implications.append(variables[i] >> ~variables[j]) # x_i → ¬x_j
if S[i, j]:
implications.append(variables[i] >> variables[j]) # x_i → x_j
if N[i, j]:
implications.append(~variables[i] >> variables[j]) # ¬x_i → x_j
# 求解所有满足全部蕴含的模型
expr = And(*implications)
models = list(satisfiable(expr, all_models=True))
# 转换为 NumPy 矩阵(按变量名 x0,x1,... 排序)
result = []
for model in models:
row = [int(model.get(var, False)) for var in variables]
result.append(row)
return np.array(result)
# 示例:网球比赛事件(索引 0~4 对应 a,b,c,d,e)
D = np.array([
[0, 1, 0, 0, 0], # a 与 b 互斥
[1, 0, 1, 1, 0], # b 与 c,d 互斥
[0, 1, 0, 1, 1], # c 与 b,d,e 互斥
[0, 1, 1, 0, 0], # d 与 b,c 互斥(补全对称性)
[0, 0, 1, 0, 0] # e 与 c 互斥
])
S = np.array([
[0, 0, 0, 0, 0],
[0, 0, 0, 0, 0],
[1, 0, 0, 0, 0], # c ⇒ a(A赢60-0 ⇒ A赢)
[1, 0, 0, 0, 0], # d ⇒ a(A赢60-15 ⇒ A赢)
[0, 0, 0, 0, 0]
])
N = np.array([
[0, 1, 0, 0, 0], # ¬a ⇒ b(A不赢 ⇒ B赢)
[0, 0, 0, 0, 0],
[0, 0, 0, 0, 0],
[0, 0, 0, 0, 0],
[0, 0, 0, 0, 0]
])
X = generate_compatible_outcomes(D, S, N)
print("所有相容事件组合(共{}种):".format(len(X)))
print(X)关键注意事项:
- ✅ 矩阵对称性优化:
D和N中,D[i,j]=1已隐含D[j,i]=1(因x_i→¬x_j⇔x_j→¬x_i),同理N[i,j]=1隐含N[j,i]=1。实践中可仅填充上三角以减少冗余定义。 - ⚠️ 避免空解:若
D,S,N存在矛盾(如S[i,j]=1且D[i,j]=1),satisfiable()将返回空迭代器,需增加异常处理。 - ? 可解释性优先:相比单一大型蕴含表(Solution 1)或复杂真值表映射(Solution 2),三矩阵法将业务语义(互斥/包含/否定蕴含)严格分离,极大提升模型可维护性与领域专家可读性。
- ? 扩展性提示:当事件数
n较大(>20)时,穷举2^n组合效率低下,建议改用 SAT 求解器(如pysat)或约束编程框架(如ortools)替代sympy.satisfiable。
最终生成的 X 矩阵每一行即一个语义自洽的原子事件场景,可直接用于后续概率赋值、蒙特卡洛模拟或规则引擎推理——这正是将领域知识(网球规则)精准转化为可计算逻辑的核心实践。

















