极大极小搜索算法 minimax search

最新推荐文章于 2022-12-02 22:30:28 发布
最新推荐文章于 2022-12-02 22:30:28 发布
阅读量9.7k 收藏 53
点赞数 7
分类专栏： 个人笔记 文章标签： 博弈论 极大极小搜索 alpha-beta 剪枝
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/thormas1996/article/details/102662222
版权
minimax search

设计象棋等AI模型时常常需要使用博弈论的思想，minimax search就是一种基于当前状态推测出使我方最有利而对方最不利的行动，在实际模型中需要考虑状态函数，树的深度，时间成本等等因素，这里只讲一个最简单的例子说明minmax search的计算过程。

假设根据当前局面我们得到一个下图所示的博弈树：
figure 1

从上往下，单数层是我方行动，双数层是对方行动，我方行动需要选择对我最有利的行动，即value大的行动，对方行动则是选择使我方最不利的行动，即value小的行动。

我们需要从最底层第四层开始考虑，双数层所以是对方行动。对于node I，会选择值更小的node M，node I的值更新为0。再考虑第三层，单数层是我方行动。node F会选择I，J中值更大的J，更新为5，G会选择K，L中值更大的L，更新为8。依次一层层向上类推，可以得到最终结果为：
在这里插入图片描述

alpha-beta prune

当树的深度很大的时候，遍历一遍的代价非常大，alpha-beta prune是一种优化方法，其根据遍历顺序分为left-to-right和right-to-left两种，前者从左边开始遍历，后者从右边开始遍历。

alpha-beta剪枝的基本思想是对于每个max结点设置一个目前已知下界alpha，每个min节点设置一个目前已知上界beta。alpha代表我方可以搜索到的最好值，beta代表了对方可以接受的最坏值。如果某个行动的结果小于或等于alpha，那么它就是很差的行动，我方可以选择更好的行动（当前alpha值的行动）。反之，如果某个行动的结果大于或等于beta，那么整个节点就作废了，因为对手不希望走到这个局面，而它有一定有别的行动（即走当前beta值的行动）可以避免到达这个局面。

但发生下面两种情况时可以剪枝，即停止搜索该节点的其余子节点：
1）当计算一个min结点时，如果它的beta值小于等于其父结点的alpha值，则可以立即停止此结点的计算（alpha剪枝）。
2）当计算一个max结点时，如果它的alpha结点大于等于其父结点的beta值，也可以立即停止此结点的计算（beta剪枝）。

简单来说，当 α ≥ β \alpha \geq \beta α≥β时，发生剪枝，因为后续搜索到的行动一定会差于之前的行动或是对方一定不会采取后续的行动。通过剪枝可以减少遍历的节点数，从而加快速度。

还是以之前的博弈树为例（left-to-right）

  1. Initially node A α = − ∞ , β = ∞ \alpha = -\infty, \beta = \infty α=−∞,β=∞, pass to node B and D.
  2. Starting form node D, b e t a = m i n ( ∞ , 3 ) = 3 beta = min(\infty,3) = 3 beta=min(∞,</
最低0.47元/天 解锁文章
thormas1996
关注
  • 7
    点赞
  • 踩
  • 53
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
专栏目录
人工智能实验二 利用α-β搜索的博弈树算法编写一字棋游戏
2401_84769813的博客
05-01 797
当然还用一个评估函数，即getvalue()函数，用以对后续状态进行考虑，计算评估值，赢的评估值设为100，输的评估值设为-100，其他情况为 e(P)=e(那些仍为 MAX 空着的完全的行、列或对角线的总数)-e(那些仍为 MIN 空着的完全的行、列或对角线的总数)，通过评估值来表示赢面，数值最大时，为当前局面的最佳落棋位置。MAX节点的评估下限α设为第一个MIN子节点的值，若后续的子节点高于α，则取为新的α，而对于后续评估值小于等于α的节点的搜索可以停止，即进行了α剪枝。这一过程称为 α 剪枝。
极大极小搜索
u011002533的博客
01-12 1045
偶数层     Max搜索 奇数层     Min搜索 在进行极大-极小搜索的时候，首先要在有限深度内展开全部叶子节点，并进行评估。然后自下而上地进行搜索计算，奇数层节点取其子节点估值的极小值，偶数层节点取其子节点估值的极大值，一直反推算到根节点。在反推的过程中始终要记住算出该值的子节点是谁，这样就可以得到一个从根节点到叶子节点的一条路径，这就是“ 佳路径”，它是双方表现佳的对弈着法序列。文
极小化极大算法与负极大值算法
FlowShell的专栏
03-21 2万+
极小化极大算法（Minimax）     Minimax算法又名极小化极大算法，是一种找出失败的最大可能性中的最小值的算法。Minimax算法常用于棋类等由两方较量的游戏和程序，这类程序由两个游戏者轮流，每次执行一个步骤。我们众所周知的五子棋、象棋等都属于这类程序，所以说Minimax算法是基于搜索的博弈算法的基础。该算法是一种零总和算法，即一方要在可选的选项中选择将其优势最大化的选择，而另一方则选择令对手优势最小化的方法。     我们知道，常用的博弈算法都是基于搜索的博弈算法，所有可能的下棋步骤构成一个
AI中的搜索(二)——对抗搜索(最小最大搜索Minimax、Alpha-Beta剪枝搜索、蒙特卡洛树搜索MCTS)
hxxjxw的博客
04-29 3920
AI中的搜索主要分为两大类：启发式搜索和对抗搜索 启发式搜索 https://blog.csdn.net/hxxjxw/article/details/105849145 对抗搜索 对抗搜索也称为博弈搜索 主要有三种搜索方法 最小最大搜索(Minimax Search) Alpha-Beta剪枝搜索(Pruning Search) 蒙特卡洛树搜索(Monte-Ca...
【人工智能/算法】搜索求解（Solving Problems by Searching）
qaqwqaqwq的博客
12-02 2368
启发式搜索（Heuristic Search）：利用启发方式获得的领域知识，通过限定搜索深度或者限定搜索宽度来缩小问题空间，避开没有结果的搜索路径，也称有信息搜索
minimax search算法
多看多听多总结
12-13 585
局面估价函数：给每个局面(state)规定一个估价函数值f,评价它对于己方的有利程度。胜利的局面的估价函数值为,而失败的局面的估价函数为- Max局面：假设这个局面轮到己方走，有多种决策可以选择，其中每种决策都导致一个子局面(sub-state)。由于决策权在我们手中，当然是选择估价函数值f最大的子局面。因此，该局面的决策函数等于子局面f值的最大值，把这样的局面称为max局面。 Min局面：假设这个局面轮到对方走，它也有多种决策可以选择，其中每种决策都也会导致一种子局面，但由于决策权在对方手中，在最坏的
基于Python使用最小最大算法（MINIMAX）实现自动吃豆人【100011655】
04-06
算法的核心在于 MIN 和 MAX 的套娃调用，以及判断退出的条件。
minimax:井字棋游戏中极小极大算法的 LISP 实现
06-22
极小极大井字棋游戏中极小极大算法的 LISP 实现我为我的 AI 入门课程编写了这段代码。 它使用极小极大算法实现井字棋游戏。 它没有任何类型的图形界面。
极小极大算法连接4
02-19
极小极大算法连接4 实现了具有变化深度搜索的简单Minimax算法，使AI对手难以应对缩放难度。 其他功能包括：帐户创建和记录保存。 （双赢，平均举动等）
跳棋 Minimax 搜索算法
12-05
Minimax 搜索算法 实现一个跳棋游戏 游戏由专门的借口定义，非常好的教学例子，代码也很值得学习
gobang（极小极大搜索算法）
07-26
NULL 博文链接：https://sjl599.iteye.com/blog/673452
十依据一个有用的算法来找到最小(最大)的k的数量-线性搜索算法
weixin_34121304的博客
07-30 109
例如：进入1。2。3，4，5，6。7。8此8数字，最小的4图的1，2，3，4。 思路1：最easy想到的方法：先对这个序列从小到大排序。然后输出前面的最小的k个数就可以。假设选择高速排序法来进行排序，则时间复杂度：O（n*logn） 注：针对不同问题我们应该给出不同的思路。假设在应用中这个问题的规模不大。或者求解前k个元素的频率非常高，或者k是不固定的。那么我们花费较多的时间对问题排序...
五子棋AI算法第二篇-极大极小值搜索算法
热门推荐
言川的博客
02-02 6万+
AI实现的基本思路-极大极小值搜索算法五子棋看起来有各种各样的走法，而实际上把每一步的走法展开，就是一颗巨大的博弈树。在这个树中，从根节点为0开始，奇数层表示电脑可能的走法，偶数层表示玩家可能的走法。假设电脑先手，那么第一层就是电脑的所有可能的走法，第二层就是玩家的所有可能走法，以此类推。我们假设平均每一步有50种可能的走法，那么从根节点开始，往下面每一层的节点数量是上一层的 50被，假设我们进行4
极小极大算法
weixin_43930980的博客
06-03 5218
1、部分概念 1、零和游戏（Zero-sum Game）：你死我活，一方胜利代表另一方失败。 2、完全信息（Perfect Information）：玩家知道之前所有的步骤。比如象棋。 2、开始游戏 Max代表自己，Min代表对手，通过树状图的方式把每种可能列出来 我们要对每一个结果给一个分数，这个分数是对“我”而言的，站在我的角度上的分数。就是Utility的返回值。赢了就是+1，输了就是-1，平局为0；所以“我”希望最大化这个分数，同时对手得分最小化。 就上图所示的两层博弈树，我们按照极小极大算法
理解极小极大搜索算法
斌斌(Java)
02-28 1万+
Understanding The Minimax Algorithm-理解极小极大搜索算法          One of the most interesting avenues of computerscience is that of programming a computer to play a game against a humanopponent. Exampl
极大极小值算法、α-β剪枝算法的理解
ryanxw growing
03-27 2万+
定义：极大极小值算法（摘自百度百科） Minimax算法 又名极小化极大算法，是一种找出失败的最大可能性中的最小值的算法（即最小化对手的最大得益）。通常以递归形式来实现。 ========================= 谈一下我的理解： 刚开始看极大极小算法的时候，说实话并不是很理解。其实通俗的意思：既然是博弈，那必然要使自己的利益最大化，也就是想将自己分数得的尽可能的高，而对手是尽可能的...
极大值，极小值算法以及α-β剪枝技术
wskywskywsky的博客
06-21 3520
中国象棋项目中的极大值，极小值算法以及α-β剪枝技术技术极大值，极小值算法1. 问题提出2. 代码实现α-β剪枝优化1. 代码实现，注意和上面的代码进行比较（其实差别并不大）2. 代码分析3.其他可优化点 极大值，极小值算法 1. 问题提出 在中国象棋的人机对战模块的开发中，对于电脑如何选择下一步要走的棋时，首先很自然的想到要设立一个估值函数，然后暴力遍历所有可以移动的己方棋子以及每个棋子可以移动...
python极小极大值搜索智能三子棋游戏实验内容
最新发布
05-05
三子棋是一种非常简单的棋类游戏，其规则为两个玩家轮流在一个 $3\times 3$ 的棋盘上放置棋子，先将三个棋子连成一线的玩家获胜。极小极大值搜索是一种常用的博弈树搜索算法，可以用于解决类似于三子棋这样的博弈问题。 下面是一个使用 Python 实现极小极大值搜索智能三子棋游戏的实验内容： 1. 首先定义棋盘类和棋子类，以及棋盘的初始化操作。 ```python class ChessBoard: def __init__(self): self.board = [[' ' for _ in range(3)] for _ in range(3)] self.player = 'X' self.winner = None def display(self): print(' 0 1 2') print('0 ' + ' | '.join(self.board[0])) print(' -----------') print('1 ' + ' | '.join(self.board[1])) print(' -----------') print('2 ' + ' | '.join(self.board[2])) def move(self, x, y): if self.board[x][y] == ' ': self.board[x][y] = self.player if self.check_win(): self.winner = self.player if self.player == 'X': self.player = 'O' else: self.player = 'X' return True else: return False def check_win(self): for i in range(3): if self.board[i][0] == self.board[i][1] == self.board[i][2] != ' ': return True if self.board[0][i] == self.board[1][i] == self.board[2][i] != ' ': return True if self.board[0][0] == self.board[1][1] == self.board[2][2] != ' ': return True if self.board[0][2] == self.board[1][1] == self.board[2][0] != ' ': return True return False def get_valid_moves(self): moves = [] for i in range(3): for j in range(3): if self.board[i][j] == ' ': moves.append((i, j)) return moves class ChessPiece: def __init__(self, x, y, player): self.x = x self.y = y self.player = player ``` 2. 然后定义极小极大值搜索算法的实现，其中 `max_value` 和 `min_value` 分别代表极大值和极小值的计算函数。 ```python def max_value(state): if state.winner is not None: if state.winner == 'X': return 1 else: return -1 v = float('-inf') for move in state.get_valid_moves(): next_state = deepcopy(state) next_state.move(*move) v = max(v, min_value(next_state)) return v def min_value(state): if state.winner is not None: if state.winner == 'X': return 1 else: return -1 v = float('inf') for move in state.get_valid_moves(): next_state = deepcopy(state) next_state.move(*move) v = min(v, max_value(next_state)) return v def minimax_search(state): best_move = None best_value = float('-inf') for move in state.get_valid_moves(): next_state = deepcopy(state) next_state.move(*move) v = min_value(next_state) if v > best_value: best_move = move best_value = v return best_move ``` 3. 最后是主函数，实现了人类玩家和 AI 玩家的交互。 ```python def main(): chess_board = ChessBoard() while True: chess_board.display() if chess_board.winner is not None: print('Winner:', chess_board.winner) break if chess_board.player == 'X': x = int(input('X: Enter row: ')) y = int(input('X: Enter column: ')) if not chess_board.move(x, y): print('Invalid move!') else: move = minimax_search(chess_board) chess_board.move(*move) ``` 以上就是使用 Python 实现极小极大值搜索智能三子棋游戏的全部内容。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 2
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值