使用转置表了解Nigamax

Question

注意：我了解最小-最大值的工作原理，并且我了解 alpha beta 修剪

即使你只能回答我下面的一个问题，我也会非常感激

不管我怎么努力，看看它和研究，我就是不明白移位表，特别是为什么我们不能总是使用相同位置的精确值。

我指的是这里的伪代码

我读到，我们也不能为UPPERBOUND存储移动。为什么会这样？我们已经探索了该节点的所有子节点，所以我们不能保证知道最佳移动方式吗？为什么我们无法存储最佳移动？

相反，我们可以存储下限的最佳走势吗？树枝被修剪了，我们无法得到最好的回应，为什么会这样呢？

最后，我理解了为什么我们只能在比根更接近叶子的深度使用表（因为我们从更深层次的搜索中获得了更准确的信息）。我不明白的是，对于与先前计算的（相同哈希）节点相同的节点，为什么我们不能返回找到的值？至少在UPPERBO的情况下，我们不是已经有了我们将达到的最佳分数吗（因为我们探索了所有的子节点）？

感谢任何帮助，这已经让我沮丧了这么久，我似乎找不到任何东西，澄清这些为我在线

Answer 1

经过几个小时的思考和更多的研究，我终于能够理解，所以我会把答案放在这里给任何像我一样困惑的人。

对于上限（我们没有提高我们的α值-我们希望达到的最佳分数），关键观察是每个孩子返回的分数是对手希望达到的上限。我会换一种说法。我们可以保证，返回的分数可能不是对手可以回应的最佳分数（得分时，所有孩子的点头都会被剪掉

这意味着

a） 我们不能假设这是从上限返回时的最佳移动（这可能是最糟糕的移动，其他移动只是修剪而未考虑）。因此，我们不能将此移动存储在换位表中，使用该移动只会损害任何移动顺序。

b)

同样，这也意味着也许对手可以做得更好。考虑一下国际象棋或任何其他游戏中的情况，其中第一个变体你已经有一套非常强大的动作可以玩，可以反驳你的对手的移动（为什么它首先被修剪）。

现在想象到相同位置/节点的另一条路径。这条路你可能没有同样的机会得到一套强有力的举措，这可能是半好的时间。现在，我们对手的反应实际上很重要(即使是同样的立场)。因此，我们被迫再次分析这个节点，但设置我们之前获得的beta值，因为我们知道对手在最坏的情况下也会做得那么好。

所以在回答我自己的问题时，即使探索了所有节点，返回的值也不是最优值。子节点被修剪了，但现在分析它们很重要。

类似的逻辑可以应用于下限。但是在我看来，这个看起来更琐碎。如果我们再次遇到同一个节点但上次没有充分探索，那么我们应该再次探索。计算这个节点会告诉我们，我们是否真的可以利用它做得更好。

这是很多细节，但这让我困惑了很长时间，所以我想我会留下我的答案，希望能拯救别人的困惑。如果这里有什么稍微不正确的地方，请随意评论，尽管我相当有信心。也可以随时问我任何问题，我会尽我所能回答。