算法学习（一）—

作者：还想养只小短腿
链接：https://www.zhihu.com/question/27221568/answer/140874499
来源：知乎
著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。

先来说极小极大算法主要应用于什么样的游戏：
1. 零和游戏（Zero-sum Game）：意思就是你死我活，一方的胜利代表另一方的失败，比如，象棋，五子棋等。
2. 完全信息（Perfect Information）：玩家知道之前所有的步骤。象棋就是完全信息，因为玩家是交替着落子，且之前的步骤都能在棋盘上体现，但是石头剪子布就不是。
这样的游戏通常可以把他们看作一个树状图，把每一种可能性列出来。比如下面这个井字棋游戏，Max代表你自己，Min代表你的对手。

这个时候我们需要给每一种结果一个分数，就是这里的Utility。这个分数是站在我自己（也就是Max）的角度评估的，比如上图中我赢了就是＋1，输了是－1，平局时0。所以，我希望最大化这个分数，而我的对手希望最小化这个分数。（在游戏中，这个分数被称为static value。）这里要说一下，井字棋是个比较简单的游戏，所以可以列出所有可能的结果。但是，大部分游戏是不太可能把所有结果都列出来的。根据计算机运算量，我们可能只能往前推7，8步，所以这个时候分数就不只－1，1，0这么简单了，会有专门的算法来根据当前结果给不同的分数。
假设我们有如下图的游戏，我是先手，我应该如何利用Minmax算法来选出第一步怎么走呢？

这个时候我们就要从结果看起，也就是第4步。图中标注第四步是我的对手下的，所以他要做的是最小化这个分数，于是对手根据结果可以反推出如下选择

继续从后往前看到第3步，当我们知道了对手的选择以后，我们可以根据对手的结果反推出自己的选择，我们要做的是最大化这个分数，如图

重复这个步骤，我们最终可以发现第一步的最优选择，如图

以上就是极小极大算法（Minimax）。

当然对于一个复杂的游戏来说，比如象棋，肯定是需要非常多步才能完成的。这就导致结果的数量是成几何增长的，也就是说，如果这个游戏每一步都有n个选择，那么在x步以后，将会有n^x个选择。这个时候，我们就需要采取剪枝算法（Alpha-Beta）来减少运算量。从剪枝算法这个名字我们就能看出，这个算法能让我们剪掉树状图中的一些分支，从而减少运算量。在这里也说一下剪枝算法，因为这并不是个不同于极小极大的算法，而是极小极大算法的升级版。
我们将游戏简化成如下图，使用Minimax算法，我们可以得出这样的结果

但是，最后一步的分数其实也需要计算机来算（static evaluation），所以我们并不会一开始就有所有的数据，其实我们一开始是这样的

然后，计算机给出了第一个分数

当给出了这个分数的时候，我们站在步骤1看，无论另一分支的数字是多少，步骤1左边方框的数字不会超过2。因为第2步是我的对手下的，他希望分数尽可能的小，也就是这样的

这个时候，电脑再计算另一分支的分数，也就是7。知道另一分数是7以后，也就知道步骤1的左边方框分数为2。这时，我们往前看一步（步骤0）。步骤0的分数是大于等于2，因为我要最大化分数。如图

现在，再来计算右边分支的分数，得到了1。同理，我们站在步骤1来看，右边方框中的数不会超过1，如图

在这个情况下，即使我不算最后一个数字，我也能知道在步骤0的结果为2，因为已知步骤1中的右边方框，数值不会超过1。所以我们就能直接知道结果，也就是

我们可以看到，加上剪枝算法，我们不仅得到了相同的结果，而且减少了计算量。在实际应用中，加上剪枝算法，计算机大约需要算2*n^(x/2)个结果，如果n为分支数，x为步数。相比于之前仅用极小极大算法的n^x，效率提高了很多。这也就意味着，如果在象棋比赛中，假设使用极小极大的算法，计算机能往前评估7步，加上剪枝算法，计算机能往前评估14步。极小极大和剪枝算法曾在IBM开发的国际象棋超级电脑，深蓝（Deep Blue）中被应用，并且两次打败当时的世界国际象棋冠军。

python代码实现：

def minimax(state, depth, player):"""AI function that choice the best move:param state: current state of the board:param depth: node index in the tree (0 <= depth <= 9),but never nine in this case (see iaturn() function):param player: an human or a computer:return: a list with [the best row, best col, best score]"""if player == COMP:best = [-1, -1, -infinity]else:best = [-1, -1, +infinity]if depth == 0 or game_over(state):score = evaluate(state)return [-1, -1, score]for cell in empty_cells(state):x, y = cell[0], cell[1]state[x][y] = playerscore = minimax(state, depth - 1, -player)state[x][y] = 0score[0], score[1] = x, yif player == COMP:if score[2] > best[2]:best = score  # max valueelse:if score[2] < best[2]:best = score  # min valuereturn best

算法学习（一）——Minimax算法相关推荐

Surf算法学习心得(一)——算法原理
Surf算法学习心得(一)--算法原理写在前面的话: Surf算法是对Sift算法的一种改进,主要是在算法的执行效率上,比Sift算法来讲运行更快!由于我也是初学者,刚刚才开始研究这个算法,然而网上 ...
算法学习四：算法性能分析理论基础——函数增长与渐进分析
算法学习四:算法性能分析理论基础--函数增长与渐进分析在算法性能分析过程中,特别是在算法运行效率分析中,我们经常使用渐渐分析法,它使我们在分析算法性能时不必纠结于不同硬件平台的差异性,着重考虑算法的 ...
python五子棋算法_python使用minimax算法实现五子棋
这是一个命令行环境的五子棋程序.使用了minimax算法. 除了百度各个棋型的打分方式,所有代码皆为本人所撸.本程序结构与之前的井字棋.黑白棋一模一样. 有一点小问题,没时间弄了,就这样吧. 一.效果 ...
令人拍案叫绝的算法学习网站新手算法入门到精通，算法面试冲刺资料这里都有
(9月已更)学算法认准这6个网站就够了! 写在前面:作为ACM铜牌选手,从FB到腾讯,从事算法&java岗位工作也是5年有余.在工作中接触到了很多同学,在算法学习和算法面试这件事上我还是很有发 ...
算法学习之模拟退火算法路径规划（python代码实现）
模拟退火算法路径规划(python代码实现) 一.引言二.算法介绍以及伪代码 1.算法通俗介绍 2.路径规划算法伪代码三.算法流程及代码实现 1.地图创建 2.初始化路径小结 3.计算适应度值 ...
【算法学习】贪心算法
参考算导第三版第16章贪心算法文章目录 1. 活动选择问题 1.1 活动选择问题的最优子结构 1.2 贪心选择 1.3 递归贪心算法 1.4 迭代贪心算法 2. 贪心算法原理 2.1 贪心选择性质 ...
令人拍案叫绝的算法学习网站，算法入门到精通，算法面试冲刺资料这里都有
前言作为ACM铜牌选手,从FB到腾讯,从事算法&java岗位工作也是5年有余.在工作中接触到了很多同学,在算法学习和算法面试这件事上我还是很有发言权的. 今天就跟想学算法的同学分享一下我私藏 ...
算法学习————自然归并算法（c/c++）
自然归并算法实现(c/c++) 前言:由于归并算法的资料已经很多了,本文主要讲述的是自然归并算法自然归并算法VS归并算法自然归并算法实际上是归并算法的一个变型. 例如在下文实例代码中的数组a中的元 ...
通过创建黑白棋机器人来学习实现 Minimax 算法
介绍黑白棋程序,我选择开发这个程序是因为在寻找黑白棋/黑白棋游戏时找不到具有我需要的功能的程序. 特征支持模式 Human vs Human.Human vs Bot.Bot vs Bot 支持板 ...
数据结构与算法学习③(Hash hash算法的工程应用递归 )
Hash Hash 散列表(Hash Table) 概述散列函数散列冲突复杂度分析工程应用面试实战亚马逊,微软最近面试题,242. 有效的字母异位词腾讯,高盛集团最近面试题,49. 字母 ...

算法学习（一）——Minimax算法

算法学习（一）——Minimax算法相关推荐

最新文章

热门文章