算法设计——极大极小搜索

极大极小搜索策略一般都是使用在一些博弈类的游戏之中：

 

这样策略本质上使用的是深度搜索策略，所以一般可以使用递归的方法来实现。在搜索过程中，对本方有利的搜索点上应该取极大值，而对本方不利的搜索点上应该取极小值。

极小值和极大值都是相对而言的。

 

在搜索过程中需要合理的控制搜索深度，搜索的深度越深，效率越低，但是一般来说，走法越好。

 

极大极小搜索可以分开写，也可以放在一起写。

 

主要的算法步骤如下：

 

输入：搜索的深度

输出：节点的最佳走法，及其对应的最佳估值

函数形式：int minMaxSearch(int depth )   这里也可以添加int side参数表示当前谁是走棋方

 

如果轮到红方走棋，则

      初始化最优值best = 负无穷大                     //极大点        ，这里认为红方先走棋

否则

      初始化最优值best = 正无穷大                     //极小点

 

如果depth<= 0

      调用评估函数值

 

否则

      生成当前所有合理的走法

      对每一步走法

             执行走法

             调用minMaxSearch(depth -1 ) , 并把值赋给value

             撤销走法

 

             如果轮到红方走棋，则

                     如果value > best

                              best = value

                              如果depth == MAX_DEPTH

                                     bestMove = mv

             否则

                     如果value < best

                              best = value

                              如果depth == MAX_DEPTH

                                     bestMove = mv

 

返回best

 

在局面评估函数中一般返回双方优势的差值，以此作为评估值。

 

 ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~

 

这里总结一下负极大值搜索策略：

一个局面对红方的优势为X，那么对于黑方的优势就是-X；一个局面对红方的优势为-X，对黑方的优势就是X。在负极大值搜索算法中，没有了极小点，只有极大点。需要注意的是，局面对一方的优势转化为另一方的优势时需要加负号。局面估计区间是一个关于0点对称的区间:

[-MaxValue,MaxValue].需要注意的是，为了能使负极大值搜索算法得到正确的评价，必须修改局面评估函数的返回值，原来在极大极小搜索算法中始终返回的是红方的优势，现在要改为当前走棋方的优势。

 

负极大值搜索算法：

 

输入：搜索深度

输出：节点的最佳走法，及对应的最佳估值

函数形式：int negaMaxSearch(int depth)

 

初始化最优值best=负无穷大                //都是极大点

如果depth小于等于0

       调用评估函数，并将结果赋给value

       返回value值

 

否则

      生成当前所有合法的走法

      对于每一步走法

            执行走法

            value= -negaMaxSearch(depth-1)             //注意函数之前有负号

            撤销走法

            如果 value> best

                    best=value

                    如果  depth == Max_Depth

                            bestMove=mv

返回best                                                                 //返回某个搜索分支的最优评估值

 

 

评估函数的算法:

 

输入