研讨班-高级搜索技术.pptVIP

计算机博弈高级搜索算法  徐长明 概要 迭代加深搜索 Alpha-beta的改进搜索算法 威胁空间搜索 证明数搜索 迭代加深搜索 如何设定深度优先搜索的最大深度？ 当采用深度优先搜索方式时，因无法知道解的深度，最大搜索深度的设置便成了个难题。 无法准确地预测解的深度； 无法精确控制时间（深度大可能超时，否则过早结束搜索）； 深度优先的迭代加深搜索(DFID) DFID (Depth First Iterative Deepening)的执行过程如图所示： DFID的特点 DFID的特点： 以深度优先的方式模拟深度优先，因而可找到路径最短的解； 迭代加深为优化时间控制提供支持； 迭代加深的额外代价并不高； 当分枝因子为R，当前迭代的最大深度为d时，DFID总的代价为： Time(R, d) = ( Rd +2Rd-1+…+ dR+(d+1)R0) = Rd (1+2R-1+…+ dR1-d +(d+1)R-d) Rd(1-1/R)-2 R=2: Time(R, d) = 4 Rd R=3: Time(R, d) = 9/4 Rd R=4: Time(R, d) = 16/9 Rd R=5: Time(R, d) = 25/16 Rd 此外，浅层迭代对深层迭代有重要的启发作用； 再谈alpha-beta 着法排序的优化作用 着法排序的优化作用（续） 窗口(alpha, beta)的涵义 alpha: 受Min方制约，Max方已知的最佳的叶子节点对应的分值； 在一次搜索过程中，alpha的值不会减小 beta：受Max方制约，Min方已知的最佳的叶子节点对应的分值； 在一次搜索过程中，beta的值不会增大 (alpha, beta)的变化趋势是收敛； 窗口的本质是对返回值范围的约束或猜测；窗口的变化乃是对约束的或猜测的不断修正。 （alpha, beta) 窗口 （alpha, beta) 窗口 （alpha, beta) 窗口 alpha-beta算法的执行过程 对alpha-beta算法的执行过程加以简要概括: 向下（父向子）传递一个窗口； 向上（子向父）返回一个值； 用该返回值进一步修正父节点的窗口。 alpha-beta算法 具体地 父节点以值传递的方式向儿子节点传递窗口 纯粹的极大极小算法向下传递(alpha, beta); 负极大值形式的算法向下传递(-beta, -alpha); 儿子节点仅返回给父节点一个估值（设为val） （纯粹的极大极小）若父节点是极大值节点，则val可能会更改父节点窗口的下界，但绝不更改上界； （纯粹的极大极小）若父节点是极小值节点，则val可能会更改父节点的上界，但绝不更改下界。 思考：在负极大值形式的alpha-beta搜索中，返回值会更改父节点的哪个边界？ 窗口变化的影响 初始窗口的设置 对初始窗口大小的权衡 初始窗口越小，剪枝的效率就越高； 初始窗口越小，搜索失败(Fail)，即返回值位于窗口(a, b)之外的可能性就越大。 初始窗口的两种选择 (-?,+? ) ——最安全，也最没效率 (a, b)且a -?, b +? ——可能有风险，但可能比较有效率 Fail-soft vs. Fail-hard Fail-hard Fail-soft vs. Fail-hard Fail-hard Fail-soft vs. Fail-hard Fail-soft Fail-soft vs. Fail-hard Fail-soft 返回值若未落在窗口内，搜索便告失败； 但在执行重新搜索时，返回值指示了新的初始窗口不必覆盖的范围。 Fail-hard 只要返回值不严格大于alpha且严格小于beta，搜索便告失败。 但从此时的返回值只能得知搜索失败的结论，无法根据返回值猜测出更准确的窗口。 Fail-low 和 Fail-high 执行alpha-beta搜索，当预设了初始窗口为(a, b)时 Fail-low是指返回值比下界alpha还小； Fail-high是指返回值比上界beta还大。 Fail-low, Fail-high, pruning Fail-high或fail-low与pruning（ 剪枝 ）的区别： 前者是指返回值落在搜索前预设（猜测）的窗口(a, b)之外。Fail-high或Fail-low说明预先猜测的窗口范围有失准确，凭借该窗口寻找根节点的最佳着法的努力失败了。 剪枝是指某些着法或分枝对最终的搜索结果没有影响，因而可以不搜索。尽管剪枝也表现为返回值位于窗口（a, b）之外，但它是在充分相信给定约束（即窗口）的前提下，从而免于搜索某些无用节点的。 Fail-low, Fail-high, pruning Fail-