Artificial intelligence minimax算法中的min播放器是否发挥了最佳作用？

在minimax算法中，第一个玩家玩得最好，这意味着它想要最大化自己的得分，而第二个玩家则试图最小化第一个玩家获胜的机会。这是否意味着第二个玩家也能以最佳状态赢得比赛？为了尽量减少第一个玩家获胜的机会，尝试选择一些路径也意味着尝试获胜

---

实际上，我正试图从TopCoder:解决此任务。我想知道我们是否可以在这里应用minimax算法。“两者都要发挥最佳效果”这句话让我很困惑，如果有一些一般性的想法，我想知道如何处理这类问题。

是的，你可以在这里使用极大极小算法

问题陈述说，游戏的赢家是“在游戏结束时有更多糖果的女孩”。因此，你可以使用一个合理的得分函数，即第一个和第二个玩家所持糖果数量的差异

这是否意味着第二个玩家也能以最佳状态赢得比赛

对。当您评估最小级别时，最小玩家将始终为最大玩家选择得分最低的路径

注意：如果您从玩家在该回合中移动的角度评估每个节点，并在级别之间转换分数，则可以使用相同的代码实现最小和最大级别。如果分数是糖果数量的差异，你可以简单地在不同等级之间否定它

为了尽量减少第一个玩家获胜的机会，尝试选择一些路径也意味着尝试获胜

对。第二个玩家试图最小化第一个玩家的分数。一个合理的得分函数会给第一个球员一个比平局更低的输球分数

我想知道我们是否可以在这里应用minimax算法

---

对。如果我正确地阅读了这个问题，那么级别的数量将等于框的数量。如果框的数量没有限制，则需要使用n-move lookahead，以最大深度评估minimax树中的节点。

游戏属性：

• 在每个点上，都有一个有限的、定义明确的移动次数（选择一个非空框）
• 游戏在有限的移动次数后结束（当所有方块都为空时）

因此，搜索树由有限数量的叶子组成。你是对的，通过应用极小极大，你可以找到最好的移动

注意，你只需要在最后的位置（当没有更多的动作时）评估游戏。在这一点上，只有三个结果：第一名球员获胜，第二名球员获胜，或者是平局

请注意，标准的极大极小算法与概率无关。极大极小算法的结果决定了双方的完美发挥（假设双方都没有犯错）

---

顺便说一句，如果您需要改进搜索算法，可以应用一种安全而简单的优化方法。

框数在1到10之间。有没有一个数学证明，如果最小玩家试图最小化最大的分数，他就是在选择他最好的策略来赢得比赛？从问题陈述中，两个玩家都玩得很好，而赢家是拥有最多糖果的玩家。如果只有10个框，我们可以对树进行评估，直到表示游戏结束的叶节点。如果得分函数是玩家1的糖果和玩家2的糖果之间的最终差值，那么如果差值为负值，则玩家2获胜。在任何给定的游戏状态下，有有限数量的选择，其中必须有一个最低分数。要么最小值为负，要么不是。如果为0，第一个玩家将获胜。我知道alpha-beta修剪，但我的第一个问题是我是否可以使用minimax算法。我还有一个问题：如果第二个玩家在游戏中做出最后一步，会有问题吗？因为我们需要第一个玩家做最后一步（我想是的），才能从叶节点开始构建解决方案。@J.M谁走最后一步没有什么区别。唯一的假设是每个玩家都必须选择最佳的移动方式。因此，如果游戏从第一个玩家开始，最后一步是由第二个玩家做出的，那么您的实现必须保证最后一步是对第一个玩家最差的一步（换句话说，分数必须最小化）。