1. 项目概述:奥林匹克几何题的自动求解系统
这个项目本质上是在探索如何用AI技术解决高难度几何证明题——特别是国际数学奥林匹克竞赛(IMO)级别的题目。传统上,这类题目需要人类选手具备极强的空间想象力和定理应用能力,而现在我们试图用树搜索算法结合几何推理引擎来复现这一过程。
我最初接触这个方向是在研究自动定理证明系统时,发现几何证明与其他数学领域相比有其特殊性:既需要严格的逻辑推导,又依赖直观的图形辅助。经过多次实验,最终确定"引导式树搜索+几何推理引擎"的架构能够较好地平衡搜索效率与证明严谨性。
需要模型API调用? 免费领10W Token,多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 核心架构设计思路
2.1 系统组成模块解析
整个系统由三个关键组件构成:
-
几何知识库:包含200+条核心几何定理的机器可读表示,每条定理都标注了适用条件和变换规则。例如角平分线定理会被编码为:
code复制theorem angle_bisector: inputs: triangle ABC, bisector AD conditions: BD/DC = AB/AC proof_steps: [面积法, 相似三角形] -
搜索控制器:采用蒙特卡洛树搜索(MCTS)的变种,但针对几何证明做了特殊优化:
- 节点扩展策略优先考虑几何构造(如添加辅助线)
- 奖励函数结合证明步骤数和定理使用的新颖性
- 回溯时会对冗余步骤进行剪枝
-
图形推理引擎:基于坐标几何的符号计算系统,能够:
- 自动验证中间结论的正确性
- 识别图形中的特殊关系(共线、共圆等)
- 为搜索提供启发式建议
2.2 搜索算法的特殊优化
与传统游戏AI中的树搜索不同,几何证明需要处理连续空间和抽象关系。我们的改进包括:
-
动态分支因子:根据当前图形复杂度自动调整搜索宽度,简单图形(如纯三角形问题)允许更广的搜索,复杂图形(多圆相交)则聚焦关键路径。
-
语义优先扩展:对每个可能的几何操作进行语义评分:
python复制def rate_operation(op): # 基础分:该操作在历史证明中的成功率 base = operation_stats[op]['s
