高级搜索技术.pptVIP

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 … … 可见，分支因子越大，迭代加深越有优势。 DFID的特点 迭代加深搜索 第二十八页，共六十九页，2022年，8月28日 还有一种称为“迭代加宽”的迭代搜索技术。 总之，在复杂棋类中，迭代以相对较小的代价获取了有弹性的搜索控制策略，并提供了采用启发式方法的重要途径。 总结 迭代加深搜索 第二十九页，共六十九页，2022年，8月28日 二 渴望搜索 第三十页，共六十九页，2022年，8月28日 当分枝因子为R，当前迭代的最大深度为d时，DFID总的是一种猜测初始窗口的搜索。基于事前猜测的返回值val，预设初始窗口为（val－?，val＋?）。 基于fail-soft alpha-beta搜索。执行该搜索可有三种情况： a）返回值v落在窗口(val－?，val＋?),v即为所求的值 b）返回值vval－?时，用窗口(-?, val－?)重搜 c）返回值v=val + ?时，用窗口(val + ?, +? )重搜 若能正确猜测真值所在的窗口，搜索效率便有所提高。 算法简介 渴望搜索 第三十一页，共六十九页，2022年，8月28日 伪代码描述 渴望搜索 第三十二页，共六十九页，2022年，8月28日 Val和?对搜索效率的影响。 提升算法效率的最大障碍在于重搜的风险。涉及： a）Val如何取值？ b）?如何取值？ 效率分析 渴望搜索 第三十三页，共六十九页，2022年，8月28日 三 主要变异（极小窗口）搜索 第三十四页，共六十九页，2022年，8月28日 极小窗口（或空窗口）： a）设估值均为整数，称(v, v+1)为极小窗口； b）搜索的结果(设返回值为val)要么Fail-low(val=v)，要么Fail-high(val v, 即val = v+1) c）既然窗口越小发生剪枝的概率就越高，那么，极小窗口可使得剪枝效率发挥到极致。 极小窗口（或空窗口） 极小窗口搜索 第三十五页，共六十九页，2022年，8月28日 极小窗口的用法： a）某节点A的窗口为(alpha, beta)，想验证“A的所有兄弟节点都不比A强”，只需构造极小窗口(alpha, alpha+1)来搜索A的兄弟们； b）某节点B的窗口为(alpha, beta)，想验证其某个儿子是否“可以引发剪枝”，只需构造极小窗口(beta-1, beta)来搜索该儿子。 极小窗口的用法 极小窗口搜索 第三十六页，共六十九页，2022年，8月28日 主要变异搜索(PVS，Principal Variation Search)/极小窗口搜索（Minimal Window Search）的基本思想： 对于任何一个节点，PVS总是假设其第一个儿子s0是最好的，直到证明某个儿子sn比s0还好。然后，再假设sn比其它儿子都好…… 注意：在博弈程序中，由于采用迭代加深、启发式算法等优化方法，着法生成、选择和排序机制能够让第一个儿子以很大的概率可成为最佳着法。 算法思想 极小窗口搜索 第三十七页，共六十九页，2022年，8月28日 具体地，总是以全窗口（alpha, Beta）搜索第一个儿子s0 ，设得到的值为v，以窗口（v, v+1）去搜索其余的儿子。对于任意一个儿子si，若结果为Fail-low，则证明它不如s好，接着以窗口（v, v+1）去搜si +1；否则，必定是Fail-high，这说明si好于s0，这时，需要以构造新的全窗口（v, Beta），并用该窗口重搜si ，设得到的值为v′，再用（ v′, v′ +1）去搜后面的儿子…直到所有的儿子都得到搜索，算法结束。 算法的自然语言描述 极小窗口搜索 第三十八页，共六十九页，2022年，8月28日 举例 极小窗口搜索 第三十九页，共六十九页，2022年，8月28日 总结 极小窗口搜索 1）极小窗口搜索是非常优秀的alpha-beta搜索算法，是复杂棋类中应当优先考虑的算法。 2）极小窗口、渴望窗口、迭代加深搜索经常组合到一起使用。 3）有一个类似的算法，称为NegaScout。 4）另外，MTD(f)也