Javafx 优化极大极小算法

我用TictaToe和JavaFX制作了游戏，并为每一款游戏实现了AI。对于Nine Men's Morris，我还没有实施移除磨坊，所以现在更像是复杂的Tictatcoe。我使用了带有alpha-beta剪枝的minimax算法，虽然人工智能做了相当不错的移动，但九人莫里斯的移动计算速度非常慢。如果我让AI玩整个游戏，需要几分钟

对于评估函数，我一直在使用评估板上每一行的函数，其中行值为：

3-in-a-line为100

10对于2-in-a-line

1为一列中的1

负（-100，-10，-1）对于对手单元格

否则为0

Minimax算法或多或少是相同的，但对于九人莫里斯来说，有16行需要评估，而Tictaoe中只有8行需要评估，然而对于九人莫里斯来说，人工智能要慢得多

如何进一步提高AI的性能

---

我一直在做这方面的研究，我发现了一个想法，就是用神经网络来预测。这些解决方案能否提高我的AI的性能

有很多方法可以在不涉及神经网络的情况下通过α-β剪枝来改进minimax。此外，在像“九人莫里斯”这样分支因子相对较低的游戏中，神经网络对AI的伤害可能大于帮助。相反，我会研究不同的方法。 一个有用的选择是使用具有迭代深化的换位表。这种技术对于这种类型的游戏非常有用。下面是一篇关于换位表的文章的链接：

如果您有关于实现的更具体的问题，chess programming wiki有关于这个主题的好文章。虽然与国际象棋有关，但它应该很容易应用于任何游戏

---

我在chess和connect 4中都使用了这种技术，并且发现搜索时间大大缩短。如果您想了解有关如何实施此技术的更多具体信息，请发表评论。

谢谢您提供的信息，我一定会尝试实施您的想法。如果我还可以进一步问一下，有没有迭代深化换位表的工作示例，我可以看一下？我不知道有任何示例专门针对九人莫里斯。然而，我发现这个关于这个主题的国际象棋教程非常有用。它通过编程完成整个国际象棋引擎，包括转置表和迭代深化上的视频。它也是开源的。下面是一个类似的java教程：