利用DeepSeeek改进Python实现AI数独：从基础算法到高级优化一文的测试代码
腾讯云作者 熊猫钓鱼写了一篇文章Python实现AI数独：从基础算法到高级优化。
将文中倒数第三个代码块中的class Sudoku部分保存为sudoku.py, 然后将最后一个性能评估代码块保存为evalsudoku.py，同时省略中间结果输出。
使用默认的题目个数10测试。
C:\d>python evalsudoku.py 评估easy难度... 评估medium难度... 评估hard难度... 评估expert难度... 性能评估结果（平均求解时间，单位：秒）： ------------------------------------------------------------ 难度 | 回溯算法 | 优化算法 | 提升比例 ------------------------------------------------------------ easy | 0.000040 | 0.000015 | 62.14 % medium | 0.000063 | 0.000013 | 79.10 % hard | 0.000081 | 0.000012 | 85.44 % expert | 0.000118 | 0.000017 | 85.21 %将测试题目个数扩大到100。
C:\d>python evalsudoku.py 评估easy难度... 评估medium难度... 评估hard难度... 评估expert难度... 性能评估结果（平均求解时间，单位：秒）： ------------------------------------------------------------ 难度 | 回溯算法 | 优化算法 | 提升比例 ------------------------------------------------------------ easy | 0.000064 | 0.000005 | 91.64 % medium | 0.000053 | 0.000005 | 90.53 % hard | 0.000086 | 0.000005 | 93.96 % expert | 0.000085 | 0.000005 | 93.87 %这个测试结果很可疑，任何难度优化算法的时间都相同，那就体现不出难度的区别了。
仔细观察计时部分的代码
foralgorithminalgorithms:# 创建求解器solver=Sudoku(puzzle)# 计时求解start_time=time.time()ifalgorithm=='backtracking':solver.solve_backtracking()else:# optimizedsolver.solve_optimized()end_time=time.time()solve_time=end_time-start_time因为单次执行前后时间差距非常小，这么写的误差较大，应该用批量执行的总时间来计算，让deepseek修改,
将附件的函数改为先保存所有难度的全部num_puzzles个puzzle到puzzles列表。然后在测试某个难度时在批量测试开始时计时，所有num_puzzles个puzzle求解完毕才停止计时，计算总时长，最后用这个总时长来计算平均执行时间
他的输出如下
importtimeimportrandomfromsudokuimportSudokudefevaluate_performance(num_puzzles=100):difficulties=['easy','medium','hard','expert']algorithms=['backtracking','optimized']# 先保存所有谜题print("正在生成谜题...")all_puzzles={}fordifficultyindifficulties:puzzles=[]foriinrange(num_puzzles):generator=Sudoku()generator.generate(difficulty)puzzle=[row[:]forrowingenerator.board]puzzles.append(puzzle)all_puzzles[difficulty]=puzzlesprint(f"已生成{difficulty}难度谜题{num_puzzles}个")results={diff:{alg:0.0foralginalgorithms}fordiffindifficulties}fordifficultyindifficulties:print(f"\n评估{difficulty}难度...")puzzles=all_puzzles[difficulty]foralgorithminalgorithms:print(f" 测试{algorithm}算法...",end="",flush=True)# 批量计时开始start_time=time.time()# 求解所有谜题forpuzzleinpuzzles:solver=Sudoku(puzzle)ifalgorithm=='backtracking':solver.solve_backtracking()else:# optimizedsolver.solve_optimized()# 批量计时结束end_time=time.time()total_time=end_time-start_time results[difficulty][algorithm]=total_timeprint(f"完成，总时间:{total_time:.3f}秒")# 计算平均时间print("\n\n性能评估结果（平均求解时间，单位：秒）：")print("-"*60)print(f"{'难度':<10}|{'回溯算法':<15}|{'优化算法':<15}|{'提升比例':<10}")print("-"*60)fordifficultyindifficulties:avg_backtracking=results[difficulty]['backtracking']/num_puzzles avg_optimized=results[difficulty]['optimized']/num_puzzlesifavg_backtracking>0:improvement=(avg_backtracking-avg_optimized)/avg_backtracking*100else:improvement=0.0print(f"{difficulty:<10}|{avg_backtracking:<15.6f}|{avg_optimized:<15.6f}|{improvement:<10.2f}%")if__name__=="__main__":evaluate_performance()测试结果如下：
C:\d>python evalsudoku2.py 正在生成谜题... 已生成 easy 难度谜题 100 个 已生成 medium 难度谜题 100 个 已生成 hard 难度谜题 100 个 已生成 expert 难度谜题 100 个 评估easy难度... 测试backtracking算法...完成，总时间: 0.008秒 测试optimized算法...完成，总时间: 0.001秒 评估medium难度... 测试backtracking算法...完成，总时间: 0.006秒 测试optimized算法...完成，总时间: 0.001秒 评估hard难度... 测试backtracking算法...完成，总时间: 0.009秒 测试optimized算法...完成，总时间: 0.001秒 评估expert难度... 测试backtracking算法...完成，总时间: 0.011秒 测试optimized算法...完成，总时间: 0.001秒 性能评估结果（平均求解时间，单位：秒）： ------------------------------------------------------------ 难度 | 回溯算法 | 优化算法 | 提升比例 ------------------------------------------------------------ easy | 0.000084 | 0.000009 | 89.36 % medium | 0.000057 | 0.000011 | 81.03 % hard | 0.000085 | 0.000013 | 84.55 % expert | 0.000111 | 0.000012 | 88.93 %虽然差距较小，但不同难度还是有差距的。