人工智能知识点总结四

人工智能知识点总结四

Adversarial Search

1.本章所含词汇归纳整理

Words	翻译	Words	翻译
Adversarial	敌对的	Zero-Sum Games	0和博弈
Pruning	剪枝	evaluation function	评估函数

2.零和博弈与普遍的游戏的对比

零和博弈	普遍的博弈
参与者对结果的价值具有相反的效用 当一个人获取最大的值的时候，另外一个人获取的价值最小 对抗的，完全的竞争	参与者拥有独特的效用 合作中立竞争或者其它的都是可能的 更多的是非零和博弈
确定的零和博弈游戏：Tic-tac-toe【井字棋】Chess【国际象棋】Checkers【西洋棋】 极大极小搜索：（1）空间搜索树 （2）玩家轮流进行 （3）计算每一个节点的最大最小值，通过实现最好的效用去对抗最佳的树

3.【考点/综合题】Alpha-Beta Pruning

• 原则：剪枝对计算根节点的最大最小值没有影响
• 注意：居中的节点的值也许是错误的，好的子节点可以有效改善剪枝的功效
• 例：

Max  10 Min  10       2 Max  10  100  2  20

Alpha-Beta Pruning：减去最根节点最大最小值没有影响的部分，从下往上依次进行

剪枝减去四个节点，剩下五个节点必须被访问

 

4.【考点/简答题】How to calculate the evaluation function? How does evaluation function work with alpha-beta pruning?

Q1:How to calculate the evaluation function?

• 在深度限制的搜索中评估函数计分是非终止的，理想函数是返回位置的最大最小值
• 实际中是典型的加权特征线性和，以国际象棋为例阐释怎样去计算评估函数
•  其中W为所占的权值，评估函数等于差值*权重【只答这一句也可以】
•   需要注意的是评估函数往往不是最好的

Q2：How does evaluation function work with alpha-beta pruning?

• 评估函数可以提供指导，首先扩展最有希望的节点，这之后更有可能在通往根节点的路径上会有一个好的节点来代替该节点
• 如果评估函数在最小节点的值上提供了上界，并且沿着到根的路径，上界已经低于最大值，此时可以进行alpha-beta修剪