Tôi đang học AI. Giáo viên của tôi đã cho chúng tôi mã nguồn của một trò chơi giống như cờ vua và yêu cầu chúng tôi nâng cao nó. Bài tập của tôi là cải thiện thuật toán alpha / beta trong trò chơi đó. Lập trình viên đã sử dụng các bảng chuyển vị, MTD (f) với bộ nhớ alpha / beta + (MTD (f) là thuật toán tốt nhất mà tôi biết cho đến nay). Vì vậy, có thuật toán nào tốt hơn để tăng cường tìm kiếm alpha-beta hay một cách tốt để thực hiện MTD (f) trong mã hóa trò chơi?
Câu trả lời:
Tôi sẽ trả lời chung chung sau đó cụ thể hơn. Đầu tiên, theo kinh nghiệm của tôi khi một giáo sư hỏi có cách nào tốt hơn không .. Tôi ngay lập tức đi đến cuốn sách và tìm kiếm những điều mà tác giả lưu ý là những thiếu sót của thuật toán trong câu hỏi. Thứ hai, tôi nhìn vào sự tối ưu hóa đã giúp tôi trong quá khứ.
Đối với thuật toán tìm kiếm cây như alpha-beta, tôi sẽ xem xét thêm một heuristic làm giảm số lượng tìm kiếm hoặc khiến nó tìm kiếm ở các vị trí có nhiều khả năng trước tiên.
Tôi sẽ gán trọng số cho các đường dẫn có thể được lấy trong cây dựa trên các kết quả trong quá khứ. Nếu một con đường dẫn đến điểm số cao hơn trong quá khứ, thì đó có thể là một con đường tốt để đi lại. Vì vậy, câu chuyện dài ngắn, thêm heuristic vào các đường dẫn và chọn đi với những đường dẫn để thuật toán có thể chấm dứt sớm hơn.
Lưu ý rằng tôi không thực sự nhớ nhiều về thuật toán cụ thể, chỉ là nó là một cái cây và cách tiếp cận ngây thơ đối với nó không liên quan đến heuristic này.
Bạn đã không đề cập đến việc cắt tỉa di chuyển null hoặc giảm di chuyển muộn. Chúng khá dễ thực hiện và thậm chí còn hiệu quả hơn trong việc giảm kích thước tìm kiếm so với cắt tỉa alpha-beta. Tiện ích mở rộng tìm kiếm cũng rất quan trọng để giảm thiểu hiệu ứng đường chân trời; tìm kiếm hoạt động nói riêng là một thành phần rất quan trọng đối với AI cờ vua.