通过 alpha beta 剪枝理解 minimax
Understanding minimax with alpha beta pruning
对不起，图片来自我的笔记。
我在最后一天阅读了极小极大树和 alpha 数据修剪，并为我的项目做了一些准备。这是奥赛罗在 c.
中的实现
我已经阅读了大量关于它的资源，而且我知道它被问到很多。
在开始评估功能之前，我想充分了解这一点。
在附图中，我无法弄清楚函数 Min_Node(pos) 和 Max_Node(pos) 究竟会做什么，任何输入将不胜感激。
如果有人有任何提示或我在实现这个和我的 Othello 评估功能时应该注意的事情，我愿意接受我能找到的任何帮助。
minimax 算法，也被描述为 here，需要根据博弈树中的当前位置找到最优值的移动。该位置由棋盘配置和当前玩家组成（对于某些游戏，可以单独根据棋盘配置决定）。通常移动的值是递归定义的；对于处于 eding 位置的棋盘（这是游戏树的叶子），如果玩家一赢了，值为 1，如果玩家二赢了，值为 -1，平局为 0游戏。移动的值是通过执行该移动并递归地评估该值来确定的。然后，选择具有最大值（对于玩家一）或最小值（对于玩家二）的移动；在递归评估中，该值为当前位置子树根的所有叶子的最大（或最小）值。这显然是原始问题中提到的功能应该做的。
Alpha-beta 剪枝，如 here 所述，是对这种方法的改进。由于最佳值已知（它们是 1 或 -1），一旦找到具有所需值的移动，就可以停止评估。
这种方法独立于实际游戏。但是，我建议第一步使用更简单的游戏（例如 Tic-Tac-Toe）作为玩具示例，这样可能更容易调试。
我设法弄清楚最大和最小节点是什么，在这种情况下，Max_Node(pos) 检查这是否是播放器，它 returns 是真的，因为它应该被最大化并且 Min_Node(pos) 检查它是否是对手，如果为真，那么它应该被最小化。
对不起，图片来自我的笔记。
我在最后一天阅读了极小极大树和 alpha 数据修剪，并为我的项目做了一些准备。这是奥赛罗在 c.
中的实现我已经阅读了大量关于它的资源，而且我知道它被问到很多。 在开始评估功能之前，我想充分了解这一点。
在附图中，我无法弄清楚函数 Min_Node(pos) 和 Max_Node(pos) 究竟会做什么，任何输入将不胜感激。
如果有人有任何提示或我在实现这个和我的 Othello 评估功能时应该注意的事情，我愿意接受我能找到的任何帮助。
minimax 算法，也被描述为 here，需要根据博弈树中的当前位置找到最优值的移动。该位置由棋盘配置和当前玩家组成（对于某些游戏，可以单独根据棋盘配置决定）。通常移动的值是递归定义的；对于处于 eding 位置的棋盘（这是游戏树的叶子），如果玩家一赢了，值为 1，如果玩家二赢了，值为 -1，平局为 0游戏。移动的值是通过执行该移动并递归地评估该值来确定的。然后，选择具有最大值（对于玩家一）或最小值（对于玩家二）的移动；在递归评估中，该值为当前位置子树根的所有叶子的最大（或最小）值。这显然是原始问题中提到的功能应该做的。
Alpha-beta 剪枝，如 here 所述，是对这种方法的改进。由于最佳值已知（它们是 1 或 -1），一旦找到具有所需值的移动，就可以停止评估。
这种方法独立于实际游戏。但是，我建议第一步使用更简单的游戏（例如 Tic-Tac-Toe）作为玩具示例，这样可能更容易调试。
我设法弄清楚最大和最小节点是什么，在这种情况下，Max_Node(pos) 检查这是否是播放器，它 returns 是真的，因为它应该被最大化并且 Min_Node(pos) 检查它是否是对手，如果为真，那么它应该被最小化。