基于alphabeta算法的智能五子棋.docVIP

  1. 1、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。。
  2. 2、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载
  3. 3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
  4. 4、该文档为VIP文档,如果想要下载,成为VIP会员后,下载免费。
  5. 5、成为VIP后,下载本文档将扣除1次下载权益。下载后,不支持退款、换文档。如有疑问请联系我们
  6. 6、成为VIP后,您将拥有八大权益,权益包括:VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
  7. 7、VIP文档为合作方或网友上传,每下载1次, 网站将根据用户上传文档的质量评分、类型等,对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
查看更多
基于alphabeta算法的智能五子棋

基于Alpha-Beta算法的五子棋游戏 班级:,学号:,姓名: 摘要:博弈是人工智能的主要研究领域之一,而五子棋是经典的双agent博弈游戏。本文对针对五子棋游戏的Alpha-Beta搜索算法进行研究,设计实际算法,并使用Java完成程序设计实现人机博弈。为了提高算法效率,在传统的Alpha-Beta算法的基础上,根据五子棋的特点,通过局部搜索、优先值启发搜索、限制广度等方法减少搜索的分支数,极大地提升了算法的效率。 关键词:人工智能;Alpha-Beta搜索;五子棋 本组成员:马猛,马攀,宋浩宇 本人分工:针对五子棋游戏的Alpha-Beta算法的设计实现与优化 1 引言 人工智能是一门综合性很强的边缘科学,它研究如何使计算机去做那些过去只能靠人的智力才能完成的工作。而双agent博弈是人工智能的重要分支,主要研究如何在博弈问题中提高机器的智能水平。敌对搜索对这一问题的经典解决方法,而极大极小算法是敌对搜索中最为基础的算法,为了提高极大极小搜索的效率,在极大极小搜索算法的基础上使用Alpha-Beta剪枝所产生的Alpha-Beta搜索算法则是其中最重要的算法之一。 本文针对如何实现人机博弈中的五子棋游戏,探讨了Alpha-Beta搜索算法的设计与实现,并在此基础上,实现了改进的Alpha-Beta搜索算法,即利用局部搜索、优先值启发、限制广度等方法来提高Alpha-Beta搜索算法的效率。 2 算法原理与系统设计 2.1 极大极小算法 在人机博弈问题中,博弈程序的搜索过程即是人类走棋的思考过程。命名两个博弈者为Max和Min,博弈程序的任务是为Max寻找最佳的移动位置。因此,深度为偶数的节点,对应于Max的下一步移动位置,成为Max节点;深度为奇数的节点对应于Min的下一步移动的位置,称为Min节点。 Max作为博弈程序一方,选择价值极大的子节点走棋,而Min方作为对方,为了钳制Max方,选择价值极小的子节点走棋,这就产生了一个极大极小过程。在决定下一步之前,对这个过程进行一定深度的推理,就会形成博弈树,Max可以通过极大极小搜索在博弈树中寻找最佳的走法。Shannon在1950年首先提出了极大极小算法[1] ,从此奠定了计算机博弈的理论基础。 2.2 Alpha-Beta搜索算法 在博弈问题中,每一个格局可供选择的行动方案都有很多,因此会产生十分庞大的博弈树[2]。这时如果只进行极大极小搜索,博弈树会存在着一定的数据冗余。 如图1所示,节点下方的数字代表该节点的值,方框节点为极大值,圆形框节点为极小值。当A节点搜索下一步位置时,它要取B、C中的最小值,而此时已搜索得B节点值为5,而在搜索C节点时得知D节点值为4,此时可剪去E、F节点,因为C节点的得值必定小于等于4,说明A节点的值为max(B, C) = 5。这种当先辈层的alpha值大于等于后辈beta值而进行的剪枝称为Alpha剪枝。 图1 Alpha剪枝 同理,在图2中,由于在搜索过程中,已知B节点的值为5,而C的子节点D的值为6,则max(C)大于等于6,A的值为min(B, C)等于5,则可剪去E、F节点。这种已知先辈层beta值小于等于后辈层alpha值的剪枝称为Beta剪枝。 图2 Beta剪枝 将Alpha剪枝与Beta剪枝加入极大极小搜索中,可以极大地提升极大极小搜索效率,称新的算法为Alpha-Beta搜索算法。该算法和极小化极大算法所得结论相同,但剪去了不影响最终决定的分枝 下面为本次游戏中采用的Alpha-Beta算法的伪代码,其中findMin将当前棋局视为极小层,并返回当前棋局的值;同理,findMax将当前棋局视为极大层,并返回当前棋局的值;putOne为初始函数,它得出己方(AI方)的下一步落子位置,并进行落子: function findMin(alpha, beta, step) // 寻找当前棋局的最小估值 if step == 0: return evaluate() min = beta for place in possiblePlaces: chess[place] = enemy wight = findMax(alpha, min, step-1) chess[place] = empty if wight min: min = wight if min = alpha: // alpha剪枝 return min return min function findMax(alpha, beta, step) // 寻找当前棋局的最大估值 if step == 0:

文档评论(0)

jiupshaieuk12 + 关注
实名认证
文档贡献者

该用户很懒,什么也没介绍

版权声明书
用户编号:6212135231000003

1亿VIP精品文档

相关文档