我目前正在使用 minimax 和 alpha-beta 修剪为 Othello 开发一个简单的 AI。
我的问题与董事会状态的评估功能有关。
我目前正在通过查看以下内容来评估它:
光盘计数(奇偶校验)
合法步数
特定职位的重要性
所以假设根节点是初始游戏状态。第一个 Action 是AI的 Action ，第二个 Action 是对手的 Action 。
0
/ \ AI's Action
1 1
/ \ \ Opponent's action
2 2 2
在节点级别 1，我是否评估我的 AI 筹码的圆盘数以及它在完成一个 Action 后的时间点可以进行的合法移动次数？
在节点level 2，我是否评估对手筹码的盘数以及在对手完成一个 Action 后的时间点它可以走的合法步数？
意思是 AI 着法 -> 对手着法 ==> 此时我评估对手的棋子数和对手可以做出的合法棋子数。
最佳答案
生成游戏树时，您不应评估节点除非它是叶节点。也就是说，您生成一棵树直到第 N 级(对应于棋盘在棋盘当前状态之前进行了 N 次移动)，除非您已到达对应于游戏结束的节点情况。 只有在这些节点中，您才应该使用评估函数评估棋盘游戏的状态。 这就是 minimax 算法的意义所在。我知道的唯一一个你在每次玩家移动后评估节点的情况是在 iterative deepening 中。您似乎没有使用的算法。
评估函数负责快速评估特定位置的“分数”——换句话说，哪一方获胜以及获胜多少。它也被称为静态评估函数，因为它只查看特定的电路板配置。所以是的，当你达到 N 级时，你可以计算计算机和用户可能的移动并将它们减去。例如，如果结果为正，则表示计算机具有优势，如果为 0，则表示平局，如果为负，则表示用户在移动性方面处于劣势。对表示游戏板配置结束的节点进行评分是微不足道的，如果您赢了，则分配最大值，如果您输了，则分配最小值。
移动性是大多数棋盘游戏(其中有值(value)的)评估功能中要考虑的最重要特征之一。为了评估它，您计算每个玩家在给定静态棋盘配置的情况下可能采取的行动，无论接下来轮到谁。即使一名玩家最近采取了行动，当同一名球员做出最后一步行动时(因此，在相同的条件下对他们进行评分)，您也会在树的同一级别 N 中给棋盘打分，并选择那些有最佳得分。
您在评价中考虑的功能非常好。通常，您想在非常有值(value)的游戏中考虑 Material 和机动性(尽管如此，我不知道 Material 是否始终是 Othello 的优势，您应该更了解它，因为它是您的游戏正在努力)以获得胜利，所以我猜你走在正确的道路上。
编辑:小心!在叶节点中，您唯一要做的就是为电路板配置分配特定分数。它在其父节点中返回该分数并与其他分数(对应于其他子节点)进行比较。为了选择对特定玩家可用的最佳移动，请执行以下操作:如果父节点对应于对手的移动，则选择具有最小(min)值的移动。如果轮到计算机走棋，则选择具有最高(max)value 的分数，以便它代表该玩家可能的最佳走棋。
关于algorithm - 黑白棋评价函数，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/12334216/