Python alpha-beta搜索中的beta

嗨！我试图实现一个alpha-beta搜索，但我首先想了解它背后的所有逻辑，而不仅仅是使用某种伪代码实现它

我的理解是：一个白人玩家做出了一个动作（我们称之为move1）。第一步保存为alpha（玩家保证的最小值）。现在，如果我们转到怀特的下一个可能的移动（move2），并且看到黑人玩家的第一个响应导致的估值比alpha差，我们可以跳过所有可能的黑人的反移动，因为我们已经知道，当白人做出move2时，最坏的可能结果比move1的最坏可能结果更糟

但是，我不明白的是贝塔变量。我在国际象棋编程维基上读到：“最小化玩家可以保证的最大分数”。但我真的不明白背后的想法

---

有人能用非常简单的语言解释一下吗？非常感谢。

在国际象棋中，没有简单的方法可以判断move1是否优于move2（从您的示例中）。通过查看“硬”参数可获得近似值：工件的数量和值、双棋子或自由棋子的存在。。。通常，这种近似被插入到极小极大算法中

极小极大 简单地说，这个想法如下：首先，所有可能的移动都被扩展（黑白-…），直到达到预定义的深度或时间限制。这将创建一个板位置树（以移动作为边），并使用启发式方法（如上所述）评估树叶。然后，树被折叠，导致最后对move1和move2进行评估

崩塌是如何工作的？它从树的叶子开始，为每个节点分配一个值（也称为板位置）。对于所有子节点的值已知的每个节点，将聚合子节点的值：如果轮到怀特，则取怀特的最佳值（最大值）；如果轮到布莱克，最坏的（分钟）。因此命名为minimax。重复此操作，直到到达根为止

假设以下董事会职位树：

 A
|  \
B1  B2
|   |  \
A11 A21 A22

现在假设以下计算：A11=0，A21=-1，A22=+1（正值适用于白色）。根据我们的近似值，我们假设位置A21比A22好（对于黑色），因此我们将-1分配给节点B2。对于B1，这是明确的，其值为0。现在我们假设B1比B2更适合白色，因此A的值为0，白色应该移动到B1的位置

这里的想法不是构建整棵树，而是对更有希望的动作进行深度优先搜索，以实现早期切断。在上面的例子中，如果我们先从左向右走树的深度（A-B1-A11-B2-A21-…），我们在评估A21后知道，对于白色，位置B2比位置B1差。因此，不再需要评估A22。Alpha和beta只存储当前已知的白色最佳可能移动的评估，以及当前已知的黑色最佳可能回复的评估。树节点的行走顺序（初始顺序）决定是否可能以及可能的截断次数。来自维基百科：

通常在阿尔法-贝塔期间，子树暂时由第一玩家优势支配（当许多第一玩家移动良好，并且在每个搜索深度，第一玩家检查的第一个移动足够，但所有第二玩家响应都需要尝试找到反驳），或者反之亦然

如果排序是次优的，则必须完全探索更多的子树

另见

优化

---

严格地说，树是一个树，因为相同的板位置可以通过不同的移动组合实现（例如）。使用a来检测相同的位置，这将节省大量的计算工作量。

基本上，根据游戏树中已探索的内容，alpha和beta是最佳结果的上下限，因此超出这些边界的任何内容都不值得探索

我已经有一段时间没有详细了解极小极大和阿尔法-贝塔修剪了，但这里是我记得的要点

正如你所说，如果我们已经知道怀特的

move1

得分为10，而在检查

move2

时，我们发现黑人的反应方式是白人被迫获得8分的最佳得分，那么就不值得再检查

move2

；我们已经知道，我们所能做的最好的事情比我们所知道的另一个选择更糟糕

但这只是极大极小算法的一半。假设我们现在正在检查怀特的

move3

，并查看布莱克的所有反应。我们研究了black的moveX，发现white的一个回答至少可以得到15分。如果我们接着开始探索布莱克的《代码》moveY（仍然是对怀特原著的《代码》move3的回应），发现怀特对《代码》moveY的回应会迫使得分至少达到18分，那么我们马上就知道源于布莱克的《代码》moveY的整个游戏树是毫无意义的；黑色永远不会使

moveY

，因为

moveX

只强制黑色允许白色得分15，而

moveY

强制黑色允许白色得分18

阿尔法代表了一个我们已经知道的最低分数，怀特可以通过做出不同的选择来达到我们正在探索的点。因此，一旦我们知道不可能获得超过阿尔法的能量，就不值得继续探索任何路径，因为怀特不允许我们到达那条路径

---

Beta代表了一个我们已经知道的最高分数，黑人可以通过做出不同的选择来达到我们正在探索的点。因此，一旦我们知道不可能低于beta，就不值得继续探索任何途径，因为black不允许我们走这条路。

谢谢，但我认为你有点错过了这个问题。或者我只是不够清晰。但我知道这是一个错误