五子棋ai：极大极小搜索和α-β剪枝算法的思想和实现(qt和c++)（三）极大极小搜索和α-β剪枝算法

现在我们来到了五子棋ai的核心环节：极大极小搜索和α-β剪枝算法。这两个东西听上去挺高大上，但我实际中去实现之后才发现，原来也就是那么回事。

一、极大极小搜索

什么是极大极小搜索？我首先要介绍博弈树的概念。博弈树就是己方和敌方进行决策时形成的树状结构，每一个节点的分支表示当前节点可以走的各种可能的位置，每一个叶结点表示一个局面。比如说，从空棋盘开始（根节点），我进行落子，我有15x15=255种落子选择，我落子之后，形成了一颗有255个节点的博弈树，博弈树的叶结点就是一个局面。如果此时对手进行落子，对手有254种选择，那么新形成的博弈树就会有255x254个叶结点。

可以看到，博弈树是指数级别的，如果平均分支为b，博弈树层数为d(根节点为第0层)，那么叶结点的总数约为b^d。

有了博弈树的概念，我们就可以实现能看几步的“聪明”ai了。那么怎么“看几步”呢？简单来说，就是遍历博弈树的所有叶结点，寻找到对ai最有利的局面，然后进行落子。在博弈树中，当ai走棋时选择对自己最有利的位置节点走，而当玩家走棋时，是ai模拟玩家选择对玩家最有利的位置节点走。由于评估函数F对局势的评分是对于ai白子来说的，所以ai走棋时选择F最大的节点，模拟玩家走棋时选择F最小的节点（F越小，对ai越不利，对玩家越有利，ai模拟玩家时是认为玩家是“聪明”的），这就是称为极大极小搜索的缘故。

二、极大极小搜索优化

1.α-β剪枝算法

这个算法的名字听起来很高大上，但是实际内涵并不难理解。

举一个很简单的例子。

max层表示这一层节点的值应该选它的子节点的最大值，min层表示这一层节点的值应该选它的子节点的最小值。

对于这样一颗博弈树，已知了叶结点d、f、g、h的值，怎么求a的值呢？首先由d、f可以知道b的值为-1，然后a搜完了b节点，搜索另一边，搜索到a-c-g，此时可以知道c的值必然是<=-2的，由于a要选最大值节点，b的值已经大于c了，没有必要再搜完c节点，那么a-c-h这一个分支就被“剪掉了”。

α-β剪枝算法中每一个节点对应有一个α和一个β，α表示目前该节点的最好下界，β表示目前该节点的最好上界。在最开始时，α为负无穷，β为正无穷。然后进行搜索，max层节点每搜索它的一个子节点，就要更新自己的α（下界），而min层节点每搜索它的一个子节点，就要更新自己的β（上界）。如果更新之后发现α>=β了，说明后面的子节点已经不需要进行搜索了，直接break剪枝掉。这就是α-β剪枝算法的全部含义。

我的代码：

struct POINTS{
   //最佳落子位置,[0]分数最高,[9]分数最低
    QPoint pos[10];
    int score[10];//此处落子的局势分数
};
struct DECISION{
   
    QPoint pos;//位置
    int eval;//对分数的评估
};

DECISION decision;//analyse得到的最佳落子点
    
int chessAi::analyse(int (*board)[15], int depth, int alpha, int beta){
   
    gameResult RESULT=evaluate(board).result;
    if(depth==0||RESULT!=R_DRAW){
   //如果模拟落子可以分出输赢，那么直接返回结果，不需要再搜索
        if(depth==0)
            POINTS P;
            P=seekPoints(board);//生成最佳的可能落子位置
            return P.score[0];//返回最佳位置对应的最高分
        }else return evaluate(board).score;
    }else if(depth%2==0){
   //max层,我方(白)决策
        int sameBoard[15][15];
        copyBoard(board,sameBoard);</