极大极小与阿尔法贝塔修剪算法
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。
共有1个答案
我知道这是一个老问题，然而。。。。
是的，Alpha-beta和极小极大返回相同的答案。Alpha-Beta所做的只是防止极小极大进行100%保证不是当前玩家的最佳状态（MAX或MIN）的计算。
但是，对于给定的状态，您可能有等效的操作。算法如何决定返回哪些等效操作取决于它的实现方式。如果在某处使用集合/无序列表，则进行评估的顺序可能会改变。
这也可能取决于如果Alpha/Beta值等于当前最佳选项时您会做什么。由于相等的值不会产生更好的结果，因此进一步探索该路径是没有意义的。因此，您只需保留“遇到的第一个最佳操作”。然而，使用极小极大，您无论如何都会探索所有内容，因此您可能会决定保留“最后一个最佳”值。这是极小极大会返回与Alpha-Beta不同的操作的一种情况。但就您的评分函数而言，它们仍然是等效的......
-
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
-
我已经实现了一个带有alpha beta修剪的NegaMax算法（这只是一个较短版本的极小值算法）。现在我想实现迭代深化，这样我就可以为每个深度找到最佳移动，然后根据之前层的分数重新排序树下的节点，以便我的alphabeta修剪工作更有效。 以下是我迄今为止所做的工作： 这里gs是随每一步移动而变化的游戏属性，包含了所有关于游戏在t点的信息，比如是否可以施法或者是否有可能的内移。我的egamax算
-
我试图在我的象棋引擎中实现alpha-beta剪枝，但没有性能差异，我可能做错了什么？我试着用控制台记录算法剪切一个分支的次数，但它的数量是数百次，因此它可以正确地修剪搜索树。即使这样，该算法也没有明显的性能改进。 董事会评估平均需要80毫秒左右。使用alpha-beta修剪，查看深度3时，minimax/alpha-beta算法需要1.8秒，而不使用minimax/alpha-beta算法需要1
-
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
-
我已经为游戏跳棋编写了一个带有alpha-beta修剪的minimax算法，现在我正尝试使用negamax方法重写它。我希望这两者是等价的，因为negamax只是一种编写minimax的技术。但由于某种原因，我的两种算法表现不同。当我在相同的输入上运行它们时，negamax版本似乎评估了更多的状态，所以我认为alpha-beta修剪一定有问题。 下面的代码显示了这两种算法（
-
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？）