alpha,beta剪枝详解

α,β剪枝详解\alpha,\beta剪枝详解α,β剪枝详解

示例图

步骤详解

基础原理

这里我们先要理解什么是α,β\alpha,\betaα,β剪枝：α\alphaα是下界，β\betaβ是上界。

此外，作为博弈的双方，最大值方（用方块表示）总是试图做出决策使值最大，最小值方（用圆表示）总是试图做出决策使值最小，这里我们带入最大值方，站在A的角度，判断究竟是选择B还是C能满足我们的目标。

步骤详解

1. 从A开始深度优先搜索，一直搜索到I，得到值为1，因此下界alpha为1，也就是说D的决策最差为1。
2. 再次搜索，从D->J,得到J的值为3，因为D是最大值方，所以此时alpha为3（因为最大值方总是会选择最大的那个）
3. 由于D的所有的值已经确定，所以D的值为3。
4. 由于D的值确定，所以可以回到B（这里的原则是如果子节点中有个值确定，就可以返回上下界给父节点），B是最小值方，知道D的值为3，所以他要尽可能使值小，他把上界beta更新为3。
5. 从D开始搜索E，E搜索到K为4，E的下界更新为4，这个时候其实不用去搜索E的其他子节点了，因为4已经大于B的上界beta3，也就是说在E这个结点，可能选到一个值大于从D中得到的值，B不会傻乎乎的给E这个机会，这也是剪枝的地方
由此，我们大致可以归纳出求最大值的方法：
1. 如果是叶子节点直接返回
2. 搜索子节点，如果某个子节点大于beta，则返回；否则一直寻找子结点中的最大值，并且试图更新alpha值
具体实现在“代码实现”部分（max_value(node,alpha,beta)）
6. 所以B的值为3，由此可以确定A的下界为3，从A开始搜索，一直到O，得到值为2
7. F的alpha更新为2，再次搜索P，得到值为1，1<alpha，所以不产生影响
8. F的值确定为2，C的上界确定为2，C的上界小于A的下界，所以现在剪枝。
由此，我们可以大致归纳出求最小值的方法：
1. 如果使叶子节点直接返回
2. 搜索子节点，如果某个子节点小于等于alpha，则返回；(针对父节点)否则一直寻找子节点中的最小值，并试图更新beta（针对子节点）
具体实现在“代码实现”部分（min_value(node,alpha,beta)）

代码实现

def max_value(self,node,alpha,beta):if(self.isTerminal(node)){   #如果使叶子节点return node.get_value();}clf = float('-inf') #初始值设置为-inffor chld in node.children:   #遍历子节点clf = max(clf,min_value(chld,alpha,beta))if clf >= beta:return clfalpha = max(alpha,clf)node.val = clfreturn clf

def min_value(self,node,alpha,beta):if(self.isTerminal(node)){return node.get_value();}clf = float('inf')for chld in node.children:chld = min(clf,max_value(chld,alpha,beta))if clf <= alpha:return clfbeta = min(beta,clf)node.val = clfreturn clf

难点分析

个人觉得这个剪枝方法的难点在于不明白到底是在哪里剪枝？

其实这里的剪枝是在父节点与子节点间的，假如我们站在C的角度上，它的父节点A因为B（B=2），设定了下界为2，此时C进行探索，如果F的值为1，那么C就不用再探索了，因为A不会给C这个机会去得到F；我们再站在G的角度上，G的父节点由于探索了F，因此设定上界为（F=2），而此时G探索到Q（3），那么G也可以不用探索了，因为C不会给G这个机会去选择Q。

所以剪枝是在父节点和子节点间的：最大值方给出下界的压力，最小值方给出上界的压力（所以代码中最小值方一直更新下界，就是为了找到一个更好的下界）。

alpha,beta剪枝详解相关推荐

最清晰易懂的MinMax算法和Alpha-Beta剪枝详解
最清晰易懂的MinMax算法和Alpha-Beta剪枝详解参考文章 http://web.cs.ucla.edu/~rosen/161/notes/alphabeta.html https://ww ...
五子棋AI算法第三篇-Alpha Beta剪枝
剪枝是必须的五子棋AI教程第二版发布啦,地址:https://github.com/lihongxun945/myblog/labels/%E4%BA%94%E5%AD%90%E6%A3%8BAI% ...
alpha-beta剪枝五子棋c语言,五子棋AI算法第三篇-Alpha Beta剪枝
剪枝是必须的上一篇讲了极大极小值搜索,其实单纯的极大极小值搜索算法并没有实际意义. 可以做一个简单的计算,平均一步考虑 50 种可能性的话,思考到第四层,那么搜索的节点数就是 50^4 = 6250 ...
基于python的AI五子棋实现（极大极小值搜索和alpha beta剪枝）
1.极大极小值搜索介绍人机博弈是人工智能的重要分支,人们在这一领域探索的过程中产生了大量的研究成果,而极小化极大算法(minimax)是其中最基础的算法,它由Shannon在1950年正式提出. M ...
五子棋AI算法-Alpha Beta剪枝
上一篇讲了极大极小值搜索,其实单纯的极大极小值搜索算法并没有实际意义. 可以做一个简单的计算,平均一步考虑 50 种可能性的话,思考到第四层,那么搜索的节点数就是 50^4 = 6250000,在我的 ...
【Python】Beta分布详解
投硬币,硬币是正还是反,这属于两点分布的问题. 疯狂投硬币,正面出现的次数,服从二项分布:[Python]从二项分布到泊松分布二项分布中,若特定时间内的伯努利试验次数趋于无穷大,那么在某一时刻发生某 ...
python alpha beta 剪枝_一看就懂的 Alpha-Beta 剪枝算法详解
Alpha-Beta剪枝用于裁剪搜索树中没有意义的不需要搜索的树枝,以提高运算速度. 假设α为下界,β为上界,对于α ≤ N ≤ β: 若 α ≤ β 则N有解. 若 α > β 则N无解. ...
alpha beta 剪枝算法
摘自wikipedia alpha-β修剪的好处在于可以消除搜索树的分支.这样,搜索时间可以限制在"更有希望"的子树中,并且可以在同一时间执行更深入的搜索.该算法和极小化极大算 ...
Android动画效果translate、scale、alpha、rotate详解
动画类型 Android的animation由四种类型组成 XML中 alpha 渐变透明度动画效果 scale 渐变尺寸伸缩动画效果 translate 画面转换位置移动动画效果 rotate 画面 ...

alpha,beta剪枝详解

α,β剪枝详解\alpha,\beta剪枝详解α,β剪枝详解

示例图

步骤详解

基础原理

步骤详解

代码实现

难点分析

alpha,beta剪枝详解相关推荐

最新文章

热门文章