极大极小算法的优缺点
极小极大算法的一个缺点是每个板状态必须被访问两次：一次查找其子级，第二次评估启发式值。
极小极大算法还有其他缺点或优点吗？对于像象棋这样的游戏，还有更好的选择吗？（当然是带有α-β修剪的极小极大算法，但还有其他吗？）
共有1个答案
对于像国际象棋这样的游戏，Minimax往往太慢。每一回合，玩家都有很多选择，棋局的分支因素是巨大的，因此我们走得越深，速度就越慢。平均而言，国际象棋的分支因子趋于30。也就是说，每轮创建30个子树。
在给出具体算法之前，他们都使用我们所说的阿尔法贝塔修剪，阿尔法贝塔减少了需要扩展的节点数量，因此我们减少了分支因子。
请记住，minimax和alpha beta有许多不同的变体，但最重要的算法是：
- Negamax：这里的想法是，一名球员的移动分数始终是另一名球员的-ve，但相同的大小允许你计算max（a，b）=-min（-a，-b）
简单解释：
score = -negamax(depth-1,-player)
best = max(score,best)
窗口搜索算法
下面的算法使用一个窗口来减少搜索空间。这个窗口最初假设α和β的值。
>
主变异法：该方法通过猜测初始alpha和beta来减少访问的节点数量。它只通过探索一个分支并选择候选值来做到这一点。使用这个值我们修剪。如果我们发现一个矛盾，这是一个比我们重新开始选择候选人产生更高分数的值。
MTD（f）minimax的另一个变化。使用零窗口搜索。这意味着，在我们找到候选者（比如“v”）后，我们假设α-β值为（v-1，v），因此只有v是可能的解决方案。如果我们发现了矛盾，就换一个候选人，然后重复。
此外，目前国际象棋计算机程序中最好、最常用的算法是MTD（f），带有一些变体/启发法。
来源：将Minimax转换为Negamax（python）
-
我想我终于对minimax和Alpha-beta修剪有所了解了，但实现它完全是另一回事！ 根据我的理解，基础是：您为某些动作分配一个启发式函数分数（Gomoku为例）。 如果一行有5个，我们应该分配一个高值，比如9999，因为这是一个胜利的举动 当我们必须在Java中实现这一点时，我的问题来了！ 我有一块彩色[][]板（8x8），其中黑色是播放器1，白色是播放器2，null表示空白，我不知道我们应
-
计算机科学中最有趣的事情之一就是编写一个人机博弈的程序。有大量的例子，最出名的是编写一个国际象棋的博弈机器。但不管是什么游戏，程序趋向于遵循一个被称为Minimax算法，伴随着各种各样的子算法在一块。本篇将简要介绍 minimax 算法，并通过实例分析帮助大家更好的理解。 一、概念 Minimax算法又名极小化极大算法，是一种找出失败的最大可能性中的最小值的算法。Minimax算法常用于棋类等由两
-
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。
-
我正在为Gomoku（16x16）构建一个具有极大极小值和α-β修剪的AI，但速度非常慢。到目前为止，我已经尝试过对动作顺序进行预排序，而不是深度复制棋盘，添加和删除动作。此外，我还使用了相关移动的arraylist（距离已放置的块的半径在2以内）来减少搜索栏。然而，即使在3的深度搜索中，人工智能仍在苦苦挣扎<编辑：我发现了一个叫做换位表的东西，但我不知道从哪里开始。任何帮助都会很好！
-
我正在为一个简单的国际象棋引擎做一个极大极小算法，但是遇到了一些困难。我已经运行了几个小时的代码，但没有结果，它似乎仍然输出错误的结果；当我威胁它的一个棋子，而它有一个有效的动作可以拯救它时，它会忽略这个动作。 下面，我尽可能简化了极小极大算法方法的代码，以尝试并展示我试图实现的目标，并希望使错误可见。它最初用极小极大（2，true）调用； 我确信其他方法工作得很好，因为移动（）只是改变了棋子，验
-
我到处寻找修复代码的答案，但在花了很长时间调试代码后，我发现自己陷入了绝望。问题是，我的minimax函数不会为可能的最佳移动返回正确的值，我甚至试图通过存储最佳的第一个移动（当深度=0时）来修复它，但如果解决方案不明显，那么该算法将严重失败。我还尝试修改基本案例的返回值，以便优先考虑早期的胜利，但这并没有解决问题。 目前我正在TictoE板上测试这个函数，助手类（如getMoves（）或getW