Artificial intelligence 如何在游戏中使用转置表来提高性能？

我在游戏中使用alpha-beta剪枝实现了迭代深化，还添加了一个换位表来存储已经评估过的板

现在，我正在做以下工作：

当运行迭代深化时，在depth=0时，它评估并存储所有位置及其在TT中的分数

现在，当它以深度=1重新运行时。如果TT中存在板，我只返回板的值。这将在深度为0时停止算法，因为深度为0的板的所有值都已在TT中

如果我在达到深度限制时从TT返回值，例如深度=最大深度，那么大的子树将永远不会被砍伐

---

因此，我不明白我应该如何重新使用TT中存储的值来加快我的游戏速度？

我将用国际象棋来解释这个答案，当然这个稍加修改的推理也可以应用于其他棋盘游戏

棋盘游戏程序中的换位表是缓存，它将已评估的棋盘存储在缓存中。最好有一个易于处理的缓存值，它可以唯一地标识一个位置，如：

WKe5Qd6Pg2h3h4 BKa8Qa7

因此，如果到达某个位置，则检查是否存在缓存键，如果存在，则重用其计算。每当您访问深度为0的位置时，在正确计算该位置后，可以缓存该位置。因此，如果进行了一些移动，在子变体中，您或多或少可以跳过评估。例如，让我们考虑在开始位置怀特移动1的例子。Nf3和布莱克回答1。。。Nf6。在两个层的结果位置之后，该位置被缓存，即white的2。Ng1需要评估，因为它还没有被评估或缓存，但Black可能的2。。。Ng8不需要评估，因为它会导致起始位置

当然，您可以进行更积极的缓存，并将位置存储到depth=1甚至更多

您需要确保不会错过游戏的一些战略细节。在下棋的情况下，你需要记住：

• 50步规则的效果
• 三次重复抽签
• 谁在行动
• 在过去/现在，一些特殊的动作，如投掷或顺道而行是否可能，而在另一种情况下是否可能

因此，您可能希望在算法中添加一些进一步的细微差别，但要回答最初的问题：游戏中已经出现的位置或在变化表中处于非常高的位置可以被缓存，并且或多或少会被忽略（在大多数情况下，越是意味着上述细微差别越小）