极小极大αβ算法
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，我不知道我们应该如何
- 搜索棋盘，找到对手的动作并为其赋值
感谢您的帮助和指导！我看过YouTube教程和来自各种在线资源的课堂讲稿，但在实际编写代码时，它们对我来说都没有意义。
如果有什么不同，游戏是在8x8的棋盘上玩的Gomoku
共有1个答案
首先，你必须定义游戏的状态。在您的示例中，它将是表示电路板配置的2d数组。
创建一个存储游戏配置和棋盘状态的java类。这个类现在将成为极小极大树的节点。
定义极大极小树的节点后，必须按照游戏规则定义子节点。这代表你的行动
有了这个，就有了极大极小树！
搜索棋盘以找到对手的动作并为其赋值
要分配每个棋盘配置的值，请将其存储在类本身中。此外，您不必搜索棋盘来查找对手移动，因为它由您的孩子表示。[请注意，棋盘与每个类一起存储]
搜索棋盘以查找我的移动并为其赋值
同样，如果给定的类表示player-1移动，那么子类表示player-2移动。
然后选择可能的最佳动作
这是由算法定义的。如果处于“最大”节点，则选择与“最大值”对应的移动。i、 e您选择价值最高的子级
如果是最小节点，则选择最小值的子节点。
附言：你不必事先定义整个极大极小树。它可以在执行dfs时动态创建。这将大大减少内存。
PPS：有关更多详细信息，请参阅国际象棋编程。
-
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？）
-
为了更好地理解minimax算法是如何工作的，我一直在做一个tic-tac-toe程序。以下实现无法正常工作，因为计算机可能会丢失游戏。如果程序运行正常，理论上这是不可能的。。。 我是否在实施极大极小值或采取最佳行动时犯了错误？ 我以前从未实现过算法： s 评价函数 极小极大 找到最好的办法 非常感谢。
-
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
-
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！