如何在使用minimax算法实现2048 AI代理时应用阿尔法-贝塔修剪？
我正在为2048年开发一个人工智能，并且即将应用极大极小算法。
然而，2048的搜索树实际上就像一棵没有民角色的期望极小树。我想知道如果我没有民角色，我怎么能在实践中应用α-β剪枝？
如果我不应该在这个场景中应用alpha-beta修剪，我怎么能减少无用的搜索分支？
任何想法将不胜感激。谢谢你。
共有1个答案
我认为阿尔法-贝塔算法不适合这个游戏。请检查这个答案如何实现启发式：游戏2048的最佳算法是什么？
-
我最近实现了极小极大和阿尔法贝塔修剪算法，我100%确定（自动分级器）我正确地实现了它们。但是当我执行我的程序时，它们的行为不同。我99%确定极小极大和阿尔法贝塔的结束状态应该是相同的。我说得对吗？它们在实现结果的路径上会有所不同吗？因为我们忽略了min将选择的一些值，而max不会选择这些值，反之亦然。
-
我正在尝试建立一个国际象棋AI。我的带有 alpha-beta 修剪的 negamax 函数 （ABP） 比使用 ABP 的单独最小和最大函数运行得慢得多（约 8 倍），尽管返回的移动是相等的. 我的棋盘评估函数总是返回一个关于红色玩家的值，即红色玩家越高越好。仅对于 Negamax，当返回深度 0 时，黑色玩家的此值乘以 -1。 我的Netamax函数： 根调用： 我的最小和最大函数： 根分别调
-
我已经实现了迭代深化的alpha beta搜索，并且我已经阅读了一些技术来进一步优化算法，首先搜索从以前的深度搜索中出现的最佳移动。 据我所知，我可以只将先前深度搜索的主要变化存储在动态长度列表中吗？例如，假设我使用PV[1，0，2，3]搜索到深度4，这意味着在深度1选择移动数1，在深度2选择移动数0，在深度3选择移动数2，等等...，然后对于深度5搜索，该算法将首先从先前的深度PV搜索节点的子节
-
在我的方法newminimax49中，我有一个minimax算法，它利用了本文中建议给我的记忆和其他一般性改进。该方法使用一个简单的启发式电路板评估函数。我的问题基本上是关于alpha-beta修剪，即我的minimax方法是否使用alpha-beta修剪。据我所知，我相信这是真的，然而，我用来实现它的东西似乎太简单了，不可能是真的。此外，其他人建议我使用alpha-beta剪枝，正如我所说的，我
-
本文向大家介绍python使用minimax算法实现五子棋，包括了python使用minimax算法实现五子棋的使用技巧和注意事项，需要的朋友参考一下 这是一个命令行环境的五子棋程序。使用了minimax算法。 除了百度各个棋型的打分方式，所有代码皆为本人所撸。本程序结构与之前的井字棋、黑白棋一模一样。 有一点小问题，没时间弄了，就这样吧。 一、效果图 （略） 二、完整代码 以上就是本文的全部内容
-
我有以下奥赛罗（reversi）游戏的阿尔法-贝塔极小值的实现。不知怎的，这永远不会返回正确的行动。它似乎返回了我在函数（0，0）中设置的默认操作和第二个值-32768，这意味着它在MAX子例程中被删减了。关于我可以改进什么以及如何解决这个问题，有什么建议吗？ 注意：我已经确定了大部分正确返回的继任者。目前的最大深度是8。电脑玩家的pn（玩家数量）是1，人类玩家的是0。第一阶段，0，是MINIMA