经典中国象棋博弈原理徐心和.pptVIP

东北大学人工智能与机器人研究所 β剪枝和α剪枝具有同样规律 剪枝效果与最佳着法的位置密切相关 与博弈树展开的顺序密切相关 （1） （2） 东北大学人工智能与机器人研究所 需要指出的是 α-β剪枝是根据极大-极小搜索规则进行的，虽然它没有遍历某些子树的大量节点，但它仍不失为穷尽搜索的本性。 α-β剪枝技巧的发现，一下便为博弈树搜索效率的提高开创了崭新的局面。 东北大学人工智能与机器人研究所 Knuth和Moore重要贡献 1975年给出了α-β算法正确性的数学证明。 α-β剪枝算法的效率与子节点扩展的先后顺序相关。在最理想情况下（极小树），其生成的节点数目为 （D为偶数） （D为奇数） 而蛮力搜索 （D为搜索深度） 可见不做任何剪枝仅能搜索到一半深度 东北大学人工智能与机器人研究所 如何才能得到极小树？ 不难看出，如果最左路的分枝就是最佳路径，亦即理智双方最为精彩的对弈着法序列，那么就可以将右路各分枝陆续剪掉，从而使α-β搜索的节点数仅为极大树的 。 为了得到最好的节点扩展顺序，许多搜索算法在着法（节点扩展的分枝）排序上给予特别的关注。 比如在着法生成（节点扩展）时，先生成吃子着法，尤其先生成吃分值高的“大子”着法，因为由此产生着法更有可能是最佳的。 东北大学人工智能与机器人研究所 面向着法排序的算法 围绕着法排序，已经出现许多优秀的搜索算法与举措。如： 同形表法（Transposition table） 吃子走法的 SEE 排序 杀手走法（Killer heuristic） 未吃子走法的历史启发排序（Historic heuristic） 类比法（Method of analogies）等。 有人将α-β剪枝作用延伸到多个回合之后，于是又出现了深层α-β剪枝（Deep α-β cut-off）算法。也取得很好效果。 东北大学人工智能与机器人研究所 α-β窗口搜索（α-βwindows search） 从α-β剪枝原理中得知： α值可作为MAX方可实现着法指标的下界 β值可作为MAX方无法实现着法指标的上界 于是由α和β可以形成一个MAX方候选着法的窗口 也便出现了各种各样的α-β窗口搜索算法。 东北大学人工智能与机器人研究所 α-β窗口的搜索算法 围绕如何能够快速得到一个尽可能小而又尽可能准确的窗口，也便出现了各种各样的α-β窗口搜索算法。如 Fail-Soft Alpha-Beta Aspiration Search（渴望搜索） Minimal Window Search（最小窗口搜索） Principal Variable Search（PVS搜索） Negascout搜索 宽容搜寻（Tolerance search）等。 东北大学人工智能与机器人研究所 迭代深化搜索（Iterative deepening search） 不难想像，深度为D－1层的最佳路径，最有可能成为深度为D层博弈树的最佳路径。 Knuth和Moore分析表明，对于分枝因子为B的博弈树，利用剪枝搜索D层所需时间大约是搜索D-1层所需时间的 倍。 如果取 B=36，每多搜一层就要花上原先的6倍时间。 东北大学人工智能与机器人研究所 迭代深化搜索 于是CHESS4.6和DUCHENSS课题组开始采用逐层加深搜索算法。 先花1/6的时间做D-1层的搜索，找到最佳路径； 同时记载同形表、历史启发表、杀手表等有价值的着法评估信息； 以求达到D层最好的剪枝效果。 目前机器博弈引擎普遍采用迭代深化搜索策略 。 东北大学人工智能与机器人研究所 迭代深化的时间复杂度 深度优先的迭代深化搜索D 层搜索的总结点数为 所以深度优先的迭代深化的时间复杂度为 值得关注的是，由于一系列剪枝算法的使用，使得此时 的平均分枝度可以数量级地减小。许多算法已经做到 B = 2~5 东北大学人工智能与机器人研究所 启发式搜索（Heuristic search） 具体问题的领域决定了初始状态、算符和目标状态，进而决定了搜索空间。 因此，具体问题领域的信息常常可以用来简化搜索。此种信息叫做启发信息，而把利用启发信息的搜索方法叫做启发性搜索方法。 利用象棋的领域知识（启发信息）设计博弈搜索的启发式算法或方法，在着法排序中就有许多成功的应用。 这里需要特别提及的则是平静搜索、空着搜索和兑子搜索等。 东北大学人工智能与机器人研究所 平静搜索（Quiescent Search） α-β搜索使用的是给定深度搜索，当局面变化剧烈的时候，虽然已经达到搜索的最大深度，但此时评估函数的返回值并不能准确地表示当前局面的情况。 举个简单的例子，某个叶节点上红车吃掉了黑炮，但是下一步红车会被黑方吃掉。如果在此