搜索——对抗搜索（Adversarial search）

啵啵张

已于 2024-02-07 17:55:46 修改

阅读量469

点赞数

文章标签：算法

于 2023-10-27 21:15:27 首次发布

本文链接：https://blog.csdn.net/m0_56945100/article/details/133393405

版权

本文介绍了对抗搜索在博弈中的应用，包括极小极大算法、多人博弈策略、Alpha-Beta剪枝技术以及蒙特卡洛树搜索。极小极大算法通过递归求解最优策略，但存在指数级时间复杂度问题，Alpha-Beta剪枝能有效减少搜索空间。蒙特卡洛树搜索则采用样本模拟，避免了启发式函数的需要，能在有限资源下深入探索游戏树。

摘要由CSDN通过智能技术生成

一、定义

我们考虑的对抗搜索是指有完整信息的、确定性的、轮流行动的、两个游戏者的零和游戏。解释是，在确定的、完全可观察的环境中的两个Agent必须轮流行动，在游戏结束时效用值总是相等并且符号相反。零和博弈：同一游戏中所有选手的总收益都一样的情况。如：0+1,1+0,1/2+1/2。

$S_{0}$ ：初始状态。

$PLAYER(s)$ ：定义此时轮到谁行动。

$ACTIONS(s)$ ：返回此状态下的合法移动集合。

$RESULT(s,a)$ ：转移模型，定义行动的结果。

$TERMINAL-TEST(s)$ ：终止测试。

$UTILITY(s,p)$ ：效用函数（目标函数或收益函数）。

博弈树：

二、博弈中的优化策略

给定一棵博弈树，最优策略可以通过检查每个结点的极小极大值来决定，记为 $MINIMAX\left ( n \right )$ 。假设两个游戏者始终按照最优策略行棋，则结点的极小极大值就是对应状态的效用值（对于MAX而言）。MAX喜欢移动到有极大值的状态，而MIN喜欢移动到有极小值的状态。