了解 Minimax 的 Alpha-Beta 剪枝版本
Understanding Alpha-Beta Pruning version for Minimax
我目前正在处理我的第一个 C++ 项目，并选择使用基于 Minimax 的 AI 编写 Connect Four（也称为 Score 4），更具体地说是在 Alpha 上Beta 修剪方法。
到目前为止，我了解到 AB 修剪包含一个递归算法，该算法将 alpha 和 beta 参数作为参数，"limits" 超过它们您将不会在您的游戏树中寻找。此外，我们定义了一个最大化玩家和一个最小化玩家，前者是第一个开始玩游戏的玩家。最后，有一个"depth"，我理解为游戏的"difficulty level"，随着AI走得越深，它对动作的预测就越好；因此计算机赢得比赛的机会就越大。
但是，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 连胜并且离获胜还有一步之遥。因此，我的启发式函数应该 return -infinity 让 AI 理解 "imminent danger" 并让它发挥作用以防止人类玩家获胜：因此递归停止。
但问题来了：当递归停止时，算法返回到游戏的前一层（"shallower depths levels"），第一个玩家将交替读取 max(alpha, alphabeta(depth - 1)) 和第二名玩家 min (beta, alphabeta(depth - 1))。这意味着 -infinity 分数必然会在某个时候丢失，因此 AI 可能永远不会理解游戏已经失败。
有人可以向我解释一下我对这个算法的理解哪里错了吗？伪代码的一个版本可以在 Wikipedia 上找到。
非常感谢！
This means that the -infinity score will necessarily be lost at some point
-infinity 不会是 "lost" 正是因为交替的最小值、最大值截止函数：如果您的算法检测到失败的情况，它会推断出上面的节点是失败的移动（通过将其归因于由于 min 函数，该 -infinity 值），因此该分支将从祖父节点中删除（通过借助 max 函数选择另一个具有更高分数的分支）。
由于选择了另一个分支，所以"bad"分支不会被ai玩家拿，从而避免了输棋和输棋的情况。
我目前正在处理我的第一个 C++ 项目，并选择使用基于 Minimax 的 AI 编写 Connect Four（也称为 Score 4），更具体地说是在 Alpha 上Beta 修剪方法。
到目前为止，我了解到 AB 修剪包含一个递归算法，该算法将 alpha 和 beta 参数作为参数，"limits" 超过它们您将不会在您的游戏树中寻找。此外，我们定义了一个最大化玩家和一个最小化玩家，前者是第一个开始玩游戏的玩家。最后，有一个"depth"，我理解为游戏的"difficulty level"，随着AI走得越深，它对动作的预测就越好；因此计算机赢得比赛的机会就越大。
但是，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 连胜并且离获胜还有一步之遥。因此，我的启发式函数应该 return -infinity 让 AI 理解 "imminent danger" 并让它发挥作用以防止人类玩家获胜：因此递归停止。
但问题来了：当递归停止时，算法返回到游戏的前一层（"shallower depths levels"），第一个玩家将交替读取 max(alpha, alphabeta(depth - 1)) 和第二名玩家 min (beta, alphabeta(depth - 1))。这意味着 -infinity 分数必然会在某个时候丢失，因此 AI 可能永远不会理解游戏已经失败。
有人可以向我解释一下我对这个算法的理解哪里错了吗？伪代码的一个版本可以在 Wikipedia 上找到。
非常感谢！
This means that the -infinity score will necessarily be lost at some point
-infinity 不会是 "lost" 正是因为交替的最小值、最大值截止函数：如果您的算法检测到失败的情况，它会推断出上面的节点是失败的移动（通过将其归因于由于 min 函数，该 -infinity 值），因此该分支将从祖父节点中删除（通过借助 max 函数选择另一个具有更高分数的分支）。
由于选择了另一个分支，所以"bad"分支不会被ai玩家拿，从而避免了输棋和输棋的情况。