Java Android Reversi游戏的Minimax/Alpha测试版

我必须为Android实现一个Reversi游戏。我已经设法实现了所有的游戏，是功能性的，但问题是我没有人工智能。事实上，在每一个动作中，电脑都会移动到能让他获得最多棋子的位置

我决定实现alpha-beta剪枝算法。我在互联网上做了很多关于它的研究，但是我不能得出一个最终的结论如何去做。我试图实现一些功能，但未能实现预期的行为

我的棋盘存储在类棋盘中（在这个类中，每个玩家占用的棋子存储在一个二维整数数组中）。我附上了一个小图表（对它的外观表示抱歉）

图表：

我需要帮助找出如何在我的实现中使用minimax算法

到目前为止，我的理解是，我必须对董事会的价值进行评估

为了计算董事会的价值，我必须考虑以下因素： -自由角（我的问题是，我必须只注意自由角，或者我在当前移动中可以采取的自由角？！这里的两难选择）。 -板的可移动性：检查当前移动后可移动的块数。 -板的稳定性…我知道这意味着不能在板上翻转的块数。 -这一举措将为我提供的数量

我计划实现一个新的类BoardAI，它将把我的Board对象和dept作为参数

你能告诉我一个逻辑流程的想法，我应该如何实现这个人工智能？ 在dept中计算时，我需要一些关于递归的帮助，我不明白它是如何计算最佳选择的

谢谢大家!

首先，你可以查看我几年前写的checkers人工智能。有趣的部分是最后一个函数（

alphabeta

）。（它是用python编写的，但我认为您可以将其视为伪代码）

显然，我不能教你所有的阿尔法/贝塔理论，因为它可能有点棘手，但也许我可以给你一些实用的提示

评估功能

这是一个好的min/max alpha/beta算法（以及任何其他知情搜索算法）的关键点之一。编写一个好的启发式函数是AI开发的艺术部分。你必须很好地了解游戏，与游戏专家交谈，了解哪些棋盘功能对于回答以下问题很重要：这个位置对玩家X有多好

您已经指出了一些良好的特性，如机动性、稳定性和自由转弯。但是请注意，求值函数必须是快速的，因为它将被调用很多次

一个基本的评价函数是

H = f1 * w1 + f2 * w2 + ... + fn * wn

其中，

f

是特征分数（例如自由角的数量），而

w

是相应的权重，表示特征f在总分中的重要性

找到权重值的方法只有一种：经验和实验

基本算法

现在您可以从算法开始。第一步是了解游戏树导航。在我的人工智能中，我只是将主板用作黑板，人工智能可以在黑板上尝试动作

例如，我们从特定配置的线路板开始B1

步骤1：获得所有可用的移动。你必须为给定的玩家找到所有适用于B1的移动。在我的代码中，这是由self.board.all\u move（player）完成的。它返回一个移动列表

步骤2：应用移动并开始递归。假设函数返回了三个移动（M1，M2，M3）

采用第一个移动M1并应用它以获得新的板配置B11

在新配置上递归地应用算法（找到B11中适用的所有移动，应用它们，在结果上递归，…）

撤消移动以恢复B1配置

进行下一步移动M2并应用它以获得新的板配置B12

等等

注意：只有在所有移动都是可逆的情况下，才能执行步骤3。否则，你必须找到另一个解决方案，比如为每个动作分配一块新板

代码：

for mov in moves :
    self.board.apply_action(mov)
    v = max(v, self.alphabeta(alpha, beta, level - 1, self._switch_player(player), weights))
    self.board.undo_last()

if level == 0 :
    value = self.board.board_score(weights)
    return value

步骤3：停止递归。这三个是非常深入的，所以你必须给算法设置一个搜索限制。一个简单的方法是在

n

级别之后停止迭代。例如，我从B1开始，

max_level=2

和

current_level=max_level

从B1（当前_级别2）开始，我应用，例如，M1移动以获得B11

例如，从B11（当前_级别1）I苹果，M2移动以获得B112

B122是“当前0级”电路板配置，因此我停止递归。我返回应用于B122的求值函数值，然后返回到级别1

代码：

for mov in moves :
    self.board.apply_action(mov)
    v = max(v, self.alphabeta(alpha, beta, level - 1, self._switch_player(player), weights))
    self.board.undo_last()

if level == 0 :
    value = self.board.board_score(weights)
    return value

现在。。。标准算法伪代码返回最佳叶值的值。但是我想知道哪一步能让我走到最好的叶子！要做到这一点，您必须找到将叶值映射到移动的方法。例如，您可以保存移动序列：从B1开始，序列（M1 M2 M3）将玩家带到棋盘B123，值为-1；序列（M1-M2）将玩家带到板B122中，值为2；等等然后你可以简单地选择将AI带到最佳位置的移动

我希望这能有所帮助

编辑：关于α-β的一些注释。如果没有图形示例，阿尔法-贝塔算法很难解释。出于这个原因，我想链接我所发现的最详细的alpha-beta修剪解释：。我想我真的没有比这更好的了

关键点是：Alpha-beta修剪为节点添加了两个最小-最大边界。此边界可用于决定是否应展开子树

这本书