第二章 与或图搜索问题.pptVIP

* * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * 极大极小分析法：一子棋 一子棋游戏：估价函数定义如下 设棋局为P，估价函数为e(P)： 1. 若P是A必胜的棋局，则e(P)＝＋?； 2. 若P是B必胜的棋局，则e(P)＝－?； 3. 若P是胜负未定的棋局，则e(P)=e(+P)-e(-P)。其中， e(+P)表示在棋局P上添上所有的a后直线的数目， e(-P)表示在棋局P上添上所有的b后直线的数目。 * 极大极小分析法：一子棋 A的第一着棋生成的博弈树。每一着棋都要导致博弈树深度加2：一层是自己，一层是对方。 * * * ?-?剪枝 上述的极小极大分析法，实际是先生成一棵博弈树，然后再计算其倒推值，致使极小极大分析法效率较低。于是在极小极大分析法的基础上提出了α-β剪枝技术。 α-β剪枝技术的基本思想或算法是，边生成博弈树边计算评估各节点的倒推值，并且根据评估出的倒推值范围，及时停止扩展那些已无必要再扩展的子节点，即相当于剪去了博弈树上的一些分枝，从而节约了机器开销，提高了搜索效率。 * ?-?剪枝 S0 A B E D C H G F N M L P Q X X I S R X J T X K U X X X 2 8 4 1 -2 5 9 1 -5 2 ?1 ?-2 ?2 5 ?2 ?5 ?1 ?-5 ?1 ?1 ?2 “与”节点G的?值不能升高其父节点C的?值，则对节点G以下的分枝可停止搜索，并使G的倒推值为?。这种剪枝称为?剪枝 “或”节点D的?值不能降低其父节点A的?值，则对节点D以下的分枝可停止搜索，并使D的倒推值为?。这种剪枝称为?剪枝。 * (1) 对于一个与节点MIN，若能估计出其倒推值的上确界β，并且这个β值不大于 MIN的父节点(一定是或节点)的估计倒推值的下确界α，即α≥β，则就不必再扩展该 MIN节点的其余子节点了(因为这些节点的估值对MIN父节点的倒推值已无任何影响 了)。这一过程称为α剪枝。(2) 对于一个或节点MAX，若能估计出其倒推值的下确界α，并且这个α值不小于 MAX的父节点(一定是与节点)的估计倒推值的上确界β，即α≥β，则就不必再扩展该MAX节点的其余子节点了(因为这些节点的估值对MAX父节点的倒推值已无任何影响 了)。这一过程称为β剪枝。 * 从算法中看到：　(1) MAX节点(包括起始节点)的α值永不减少；　(2) MIN节点(包括起始节点)的β值永不增加。在搜索期间，α和β值的计算如下：　(1) 一个MAX节点的α值等于其后继节点当前最大的最终倒推值。　(2) 一个MIN节点的β值等于其后继节点当前最小的最终倒推值。 * * 　画出根节点、节点A及5个子节点，计算并标上这些节点的静态估值，A的5个子节点的静态估值的最小值是-1，因此节点A的倒推值为-1，从而起始节点的倒推值的下界α定为-1，当然有可能比-1更小，因为它有其他的子节点。　　画出节点B及它的第一个儿子节点C，算出节点C的静态值为-1，于是节点B的倒推值不会比-1大，又注意到节点B的最终倒推值不会小于起始节点的α值，由此可肯定最终倒推值β=-1。由于α值不比β值小，故可以终止节点B的搜索。 * 　例：α-β剪枝技术的例子，图3.19所示。图中所生成的搜索树共有六层(我们规定首先生成最左面的节点。MAX节点用方块表示，MIN节点用圆圈表示)。图中还给出了端节点的静态估值。现在假设我们采用α-β剪枝技术来引导深度优先搜索。由α-β剪枝技术生成的子树在图中用粗树枝表示。发生修剪的那些节点用“×”表示。　　 * * ?-?剪枝 由上面的例子可以归纳出： 1. 任何“或”节点x的?值如果不能降低其父节点的?值，则对节点x以下的分枝可停止搜索，并使x的倒推值为?。这种剪枝称为?剪枝。 2. 任何“与”节点x的?值如果不能升高其父节点的?值，则对节点x以下的分枝可停止搜索，并使x的倒推值为?。这种剪枝称为?剪枝。 在?-?剪枝技术中，一个节点的第一个子节点的倒推值（或估值）是很重要的。对于一个“或”节点，如果估值最高的子节点最先生成，或者对于一个“与”节点，估值最低的子节点最先生成，则被剪除的节点数最多，搜索的效率最高。这称为最优?-?剪枝法。 * 要进行α-β修剪，必须至少使某一部分的搜索树生长到最大深度，因为α和β值必须以端节点的静态估值为依据。因此采用α-β剪枝技术通常都要使用某种深度优先的搜索方法。而且在一次搜索期间修剪的枝数取决于早期的α、β值与最终倒推值之间的近似程度。　　起始节点的最终倒推值等于某个端节点的静态估值。如果在深度优先搜索过程中第一次就遇到