Artificial intelligence 效用函数极小极大搜索

嗨 我搞不懂如何用极大极小搜索来确定上的效用函数 解释它与任何游戏，你可以使用极大极小搜索 基本上我是问你如何确定效用函数

---

喝彩

效用值只是玩家在游戏中达到某个特定状态时收到的任意值。例如，在Tic-tac-toe中，你的效用函数可以是1表示胜利，0表示平局，或者-1表示失败。 在此基础上运行minmax最多只能找到一组导致1（胜利）的操作

---

另一个例子是国际象棋（并不是说你可以在一盘国际象棋上运行minimax）。假设你的效用函数来自一个特定的数字，该数字基于你捕获或丢失的棋子的价值

确定在特定状态下移动的效用值与程序员的经验和他/她的游戏知识有关。
终端状态的效用值很容易确定。例如，在Tic tac toe中，玩家X的终端状态是当X以对角线、垂直或水平方向对齐时。创建这种状态的任何移动都是终端状态，您可以创建一个函数来检查该状态。如果是终端状态，则函数返回1或-1。 如果您的玩家代理是玩家X，在玩家X移动后，它确定玩家O将获胜，则函数返回-1。如果函数确定这是它自己的赢棋，则返回1。 如果所有单元格都被最后一次可能的移动占用，并且没有人获胜，则函数返回零

这只是在终端状态。评估中间状态是至关重要的，因为即使在3x3游戏中，也有很多组合要考虑。如果你包括对称移动，你有9个！Tic tac toe中的可能状态。对于这些中间情况，您需要提供一个评估函数，该函数返回每个状态的分数，因为它们与其他状态相关

假设我将终端状态值赋值为810、0和-810。每一步的得分为810/（#步数）。因此，如果我在6个动作中达到终点状态，分数将是810/6=135。在9个动作中，比分为90分。以这种方式构建的评估函数将有利于更快到达终端状态的移动。但是，它仍然计算为叶节点。不过，我们需要在到达叶节点之前进行求值，但这也可能是求值函数的一部分。 假设在下面的游戏中，玩家1是X，那么X接下来移动。以下是X的合法移动（行、列）： (1) 0,0 (2) 0,2 (3) 2,0 (4) 2,1 （5） 2,2

||O|| |O | X | X| ||||

每次移动的效用值应该有利于最佳移动。 在这种情况下，最好的动作是（2）或（5）。因此，一个评估函数将分配一个效用值81，例如，每个效用值都是81。移动（4）对于X玩家来说是最糟糕的移动（也会保证你输给一个智能玩家），所以函数会给这个移动赋值-9。移动（1）和（3）虽然不理想，但不会使您失败，因此我们可能会指定一个1。
因此，当minimax评估这5个移动时，因为您的玩家X是max，所以选择（2）或（5）

如果我们专注于选项（2）或（5），那么游戏将在两步之后进入终端状态。因此，在现实中，评估函数应该比当前的合法移动早两步返回效用值。（此策略遵循深度限制搜索的路线，在该路线中，您的函数在特定深度进行计算，并在不到达叶节点或终端状态的情况下生成实用程序值）

现在我要回到我的第一句话。效用值将由程序员根据游戏知识编写的评估函数确定

希望我没有把你搞糊涂