24、游戏搜索算法：原理、局限与发展历程

游戏搜索算法：原理、局限与发展历程

1. 游戏搜索算法概述

在复杂游戏中计算最优决策往往是难以实现的，因此各类算法都需要做出一些假设和近似处理。常见的游戏搜索算法有alpha - beta搜索和蒙特卡罗搜索。

alpha - beta搜索使用启发式评估函数进行近似计算，而蒙特卡罗搜索则通过对随机选择的游戏过程进行模拟，计算近似平均值。算法的选择部分取决于游戏的特点，当分支因子较高或难以定义评估函数时，蒙特卡罗搜索通常是更优的选择。然而，这两种算法都存在一些根本性的局限。

2. 游戏搜索算法的局限性

• alpha - beta搜索对启发式函数误差的敏感性 ：alpha - beta搜索的一个局限是它容易受到启发式函数误差的影响。例如，在一个两层的游戏树中，极小极大算法可能会因为评估值的比较而建议选择某一分支，但如果每个节点的评估存在误差，且误差独立且呈随机分布，那么实际更好的选择可能并非算法所建议的。当误差的标准差为5时，另一个分支实际上有71%的概率是更好的选择；当标准差为2时，这个概率为58%。如果评估函数的误差不独立，出错的概率会更高，而且由于缺乏对兄弟节点值之间依赖关系的良好模型，很难对这种误差进行补偿。
• 缺乏元推理能力 ：alpha - beta和蒙特卡罗搜索的另一个局限是它们主要用于计算合法移动的（边界）值。但有时存在明显的最佳移动，此时浪费计算时间来确定该移动的值是没有意义的。更好的搜索算法应该考虑节点扩展的效用，选择那些可能带来显著更好移动的节点进行扩展。如果没有节点扩展的效用高于其成本（以时间计），算法就应该停止搜索并做出移动。这