浅谈"对抗搜索"的alpha-beta 剪枝

１．对抗搜索

在对弈中经常会遇到可能性很多而有没有规律的情况，这时可以对所有后续情况进行分析，选择当前对自己最有利的一中情况．

如果两方A,B进行对弈，计算现在局面的分数（对A和Ｂ），如果两方处于对立，那么一定在一方分数高的同时另一方分数会低（

每方都希望局面对自己有利），因此此时进计算A的分数，Ｂ的分数可以由Ａ的分数反应（A高Ｂ低,Ａ低Ｂ高），如果两个人足够

聪明（知道Ｎ局以后可能的所有局面，此时用搜索来列举），每一步都会选择对自己有利的后续局面进行操作.若果此时从结果像

最开始推，那么决策这一定会选择更有利的上一步进行来进行决策，而当前的所处换将则是由对方的上一步决策导致的．

现在记Ａ的分数（决策效果）为分数，A希望自己获得更高的分数记ＭＡＸ方，B希望自己能获得更高的分数(A获得更低的分数）

记做MIN方．

若果现在已经计算出了最下面一层的分值，由Ａ操作那么A会对Ｂ创造的局面采取最优的决策（导致倒数第二层），以此操作，到上面的n次操作O(P) P=A,B 操作，那么

他知道自己的决策会形成怎样的后续局面，那么他就会选择导致n部后使得自己结果最好的局面．

对于上面的Ａ则会选择靠左边的以此操作，最终如果Ａ的分数会>=6，当Ｂ足够聪明时取等号．

这时候你可能会说了，最终结果A也有可能取100那为什么这不是更好的决策呢？这是因为A的每次操作都是在B的操作上进行的．

假设此时Ａ取了１００的操作，那么Ｂ若果够聪明的话他会取6这种操作使得A的上步只能在6,5之间选了．

此时我们就可以对抗搜索按照上面方式进行了，可是对于情况较多的决策这个搜索树会十分庞大，使得决策无法按时完成，那么你可能会想少进行几层分析或许可以

加快速度，是的这样可以减少搜索局面，可是进行较少决策步数的分析，可能会不能发现后续更好的决策更好方向从而使得决策准确度下降．

２．alpha-beta剪枝：

若果某 max节点x的当前最小值为alpha,其父亲节点y的最小值beta的最小值为beta那么如果alpha>beta那么x节点的值不用进行计算（及他不用进行后续的搜索），

因为记后搜索之为ｍ　（上面的绿２５节点）

若：m>alpha m被x选上时m>alpha>beta>y节点则不会由x节点更新．

　　m

若: 某 min 节点的当前大值为alpha,其父节点最小值为beta若 alpha  < beta ,则x节点不用计算．证明类似上面．　

那么引入剪枝后搜索效率会很由大的提升．．．可以进行基本搜索，必要时减少搜索层数减少准确性来提高速度．

关于博弈很重要的是：

若果某节点后继均为必胜节点，那么该节点必败．

如果某节点后继有一必败结点，那么该节点必胜．

这些规律很有力提前完成搜索．

关于游戏．

如果进行对抗的是不止一人二是多人，那么可以将多人合成一方来进行对抗搜索，比如

正，正，反，正，正，正，反，反，反，反

可以归结为

正方１，反方１，正方２，反方２

此时正方１的决次评估是前面两个成员决策叠加情况，其他等同．

这样一来有将连续当方决策化为交替决策了（可以alpha-beta剪枝啦）．