Alpha-Beta搜索 + 启发式评价

在博弈游戏中，可以将游戏过程，用一棵博弈树进行存储，树上每个节点表示游戏状态，树枝表示动作。为了赢得游戏，需要有一定的前瞻性（即搜索深度要尽可能深一些），但是随着搜索深度的加深，需要考虑的状态数目成指数级别增长，所以为了提高效率，这里对搜索算法进行了剪枝，将一些明显不会采取的招法忽略，以此来减少状态数目，提高算法效率。

博弈游戏，采取的搜索算法是MaxMinSearch，剪枝策略采取的是AlphaBeta剪枝，将一些明显的劣招放弃搜索。

AlphaBeta剪枝的具体过程，参考博文：

一看就懂的Alpha-Beta剪枝算法详解

CS 161 Recitation Notes - Minimax with Alpha Beta Pruning

地平线效应：

在很多搜索算法中，为了减少时间和空间消耗，常常采取限定探索深度的方式，来进行搜索。但是这种限定深度，是存在风险的，因为在当前决策中，没有考虑所限深度之外的情况，往往导致做出错误的决定。这就如同，战斗机飞行员在空战中，限于地球曲率的影响，往往看不到地平线以外（地球后侧的）战场，这就常常导致了做出错的决策，是自己限于被动的战场态势。

Alpha可作为MAX方可实现招法的下界值；

Beta可作为MAX方不可实现招法的上界值（到此为止，对方招法的钳制值）。

根据Alpha和Beata可形成一个MAX方招法的的窗口。

算法实现：

Domino游戏，棋盘是一个8*8的表格，有两种Domino牌，分别为2*1和1*2（即：第一个只能竖着放-H，第二个横着放-V），先手是操作H，后手操作V，轮流进行，直到某一方无处下牌为止。

以此为实验Alpha_Beta的对象，编写了一个裸的AI（算法比较糙，没进行什么优化，除了对alpha_beta剪枝外）。