了解Minimax的Alpha-Beta修剪版本
我目前正在从事我的第一个C项目，并选择使用基于Minimax的AI编写一个Connect Four（又名Score 4），更具体地说是基于Alpha-Beta修剪方法。
到目前为止，我了解到AB修剪包含在一个递归算法中，该算法考虑了一个alpha和一个beta参数，这是您在游戏树中找不到的“极限”。此外，我们定义了最大化和最小化玩家，前者是第一个开始玩游戏的玩家。最后，还有一个“深度”，我把它理解为游戏的“难度水平”，AI越深，它对动作的预测就越好；因此，电脑赢得比赛的机会更大。
然而，我的问题如下。假设在某个时候，计算机注意到它的对手（人类玩家）有3连胜，离获胜还有一步。因此，我的启发式函数应该返回-infinity，以使AI理解“迫在眉睫的危险”，并使其发挥作用以防止人类玩家获胜：因此递归停止。
但问题是：当递归停止时，算法会回到游戏的前几层（“较浅的深度级别”），第一个玩家会交替读取max（alpha， alphabeta（深度-1））和第二个玩家min（beta， alphabeta（深度-1））。这意味着-infinity分数必然会在某个时候丢失，因此AI可能永远不会明白游戏丢失了。
有人能解释一下我对这个算法的理解错在哪里吗？可以在维基百科上找到伪代码的一个版本。
提前非常感谢！
共有1个答案
这意味着-无穷大分数在某一点上必然会丢失
正是因为交替的min， max截止函数，-infinity不会“丢失”：如果您的算法检测到丢失的情况，它将推断上层节点是一个丢失的移动（通过将其归因于min函数的-infinity值），因此该分支将从大父节点中剪除（通过选择另一个具有更高分数的分支凭借max函数）。
由于选择了另一个分支，所以“坏”分支不会被ai玩家拿走，从而避免了输球和输球的情况。
-
我试图让Alpha-beta修剪工作，但与我的Minimax函数相比，它给了我完全错误的动作。这是我的极大极小函数，它现在工作得很好。 这是我的Alphabeta修剪函数 两者都使用相同的评估，不确定这里出了什么问题。谢谢你的帮助。
-
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
-
我正在尝试为一个游戏创建一个AI播放器，使用带有alpha-beta修剪的minimax算法。我在正确地执行它时遇到了一些困难。我有两个功能要使用，一个用于评估给定玩家（返回一些分数）getBoardScore的当前棋盘状态，另一个用于返回每个可能移动（从给定玩家的给定棋盘状态）GetPossibleBoard创建的所有可能棋盘状态。 我的AI通过最初调用alphaBeta，将其传递到当前的板状态
-
抱歉，这是我的笔记。 在最后一天，我一直在阅读极大极小树和阿尔法数据修剪，为我的项目做准备。这是c语言中奥赛罗的实现。 我阅读了大量关于它的资料，我知道它被问了很多。在我开始我的评估功能之前，我想充分了解这一点。 在随附的图像中，我无法弄清楚函数和究竟会做什么，任何输入将不胜感激。 如果任何人有任何提示或事情，我应该注意在实现这个和我的奥赛罗评估功能，我愿意采取任何帮助，我可以找到。
-
这是我的极小极大方法，它实现了alpha beta修剪和记忆： 作为一个测试游戏，在我的主要方法中，我在某处放置一个X（X是玩家），然后调用newminimax499查看我应该在哪里放置O（计算机）： } 该方法返回计算机应该在何处播放它的O（在本场景中为6），因此我按照指示放置O，自己播放X，调用newminimax499并再次运行代码以查看O要在何处播放，依此类推。 在这次特殊的运行之后，我得
-
我正在使用minimax算法为connect four编写AI。为了增加深度，我正在使用alpha-beta修剪。然而，我的代码得到了错误的结果。我很难找出哪里出了问题。