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)-2R=2:Time(R,d)=4RdR=3:Time(R,d)=9/4RdR=4:Time(R,d)=16/9RdR=5:Time(R,d)=25/16Rd……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28页，共69页，星期日，2025年，2月5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29页，共69页，星期日，2025年，2月5日二渴望搜索第30页，共69页，星期日，2025年，2月5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-softalpha-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31页，共69页，星期日，2025年，2月5日伪代码描述渴望搜索第32页，共69页，星期日，2025年，2月5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33页，共69页，星期日，2025年，2月5日三主要变异（极小窗口）搜索第34页，共69页，星期日，2025年，2月5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(valv,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35页，共69页，星期日，2025年，2月5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36页，共69页，星期日，2025年，2月5日主要变异搜索(PVS，PrincipalVariationSearch)/极小窗口搜索（MinimalWindowSearch）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37页，共69页，星期日，2025年，2月5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38页，共69页，星期日，2025年，2月5日举例极小窗口搜索第39页，共69页，星期日，2025年，2月5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。