Artificial intelligence Minimax/Alpha-beta修剪移动顺序？

我读过（例如）在每一级首先搜索最好的动作（可以通过迭代深化找到）会使搜索速度更快

---

如何在不占用太多额外内存和cpu时间的情况下搜索可能的最佳移动？

如果您事先知道如何搜索最佳移动，那么您首先就不需要进行搜索。你能做的通常需要你在游戏中的一些专业知识。例如，在跳棋中，您可以尝试在不产生“王”的移动之前先计算所有产生“王”的移动

基本上有两种策略：

静态移动排序

动态移动排序

动态移动排序使用以前搜索中的信息，这可能是因为您再次转置到同一位置，或者您在以前不太彻底的搜索中已经到达该位置。这就是您提到的迭代深化思想，它不断地增加搜索距离

动态移动排序功能非常强大。有很多方法可以做到这一点，但最常见的两种方法是换位表和杀手招式：

• 换位表缓存有关以前搜索的信息，特别是找到的最佳移动。当再次到达相同位置时，您可以立即搜索上一次搜索的最佳移动。很多时候，通过更深入的搜索，它会被确认为最好的举措

• 杀手招式使用类似的方法，还有一个额外的优势，那就是他们可以使用相似但不相同位置的知识。然而，移动顺序的杀手级移动的质量通常比换位表中的移动差。这就是为什么它们通常在换位运动后被搜索

但是，如果以前的搜索没有任何信息，该怎么办？通常，您有一些特定于领域的知识，可以用于静态移动排序。例如，国际象棋有许多经验法则。其中一个原因是，与未捕获相比，捕获移动更有可能是最佳移动。有更复杂的策略（如静态再捕获分析），但您必须小心，因为更复杂的计算也会减慢搜索速度

---

通过结合静态和动态移动顺序，国际象棋引擎通常可以猜出命中率超过90%的位置中的最佳移动。

好的，那么您将如何准确地进行“先评估所有导致国王的移动，然后再评估不产生国王的移动”。好的，我所描述的想法的完整发展被称为板评估函数，这意味着，有一些函数（在数学意义上以及计算机意义上）将板位置作为输入，并返回一个数字作为输出。比如说，一个高的数字表示一个可疑的“好”动作，比如一个国王，而一个低的数字表示一个预期的坏动作。您可以考虑计算深度为n，并使用优先级队列或类似结构来选择下一级计算的顺序。