ฉันจะเลือกอัลกอริทึมที่ดีที่สุดสำหรับเกมกระดานเช่นหมากฮอสได้อย่างไร
จนถึงตอนนี้ฉันได้พิจารณาอัลกอริธึมเพียงสามประการเท่านั้นคือการตัดขนาดเล็กสุดอัลฟาเบต้าและการค้นหาต้นไม้มอนติคาร์โล (MCTS) เห็นได้ชัดว่าการตัดแต่งกิ่งทั้งอัลฟ่าและ MCTS เป็นส่วนขยายของอัลกอริธึมมินิแมกซ์พื้นฐาน
คำตอบ:
TL; DR:
ไม่มีอัลกอริธึมเหล่านี้ที่สามารถนำไปใช้กับงานสมัยใหม่ได้ แต่เป็นจุดเริ่มต้นที่ดีในการสอน
คุณควรใช้การตัดแต่งกิ่งอัลฟ่ากับการค้นหามินิแม็กซ์เปล่า
คุณควรใช้รูปแบบการค้นหาคำแนะนำแบบฮิวริสติกบางรูปแบบหากคุณสามารถค้นหาแบบฮิวริสติกที่มีประโยชน์ได้ การหาวิธีแก้ปัญหาที่เป็นประโยชน์มักจะต้องใช้ความรู้เกี่ยวกับโดเมนเป็นจำนวนมาก
คุณควรใช้การค้นหาต้นไม้มอนติคาร์โลเมื่อคุณขาดการเรียนรู้ที่ดีเมื่อทรัพยากรการคำนวณมี จำกัด และเมื่อความผิดพลาดจะไม่ส่งผลกระทบต่อโลกแห่งความเป็นจริง
รายละเอียดเพิ่มเติม:
ในการค้นหา minimax เราไม่พยายามที่จะฉลาดมาก เราเพียงแค่ใช้วิธีการเขียนโปรแกรมแบบไดนามิกมาตรฐาน มันง่ายที่จะเข้าใจถึงคุณค่าของการเคลื่อนไหวที่แตกต่างถ้าเราใกล้ถึงจุดสิ้นสุดของเกม (เนื่องจากเกมจะจบลงในการเคลื่อนที่ครั้งต่อไปเราไม่ต้องมองไปข้างหน้าไกลนัก) ในทำนองเดียวกันถ้าเรารู้ว่าฝ่ายตรงข้ามของเราจะทำอะไรในการย้ายครั้งสุดท้ายของเกมมันเป็นเรื่องง่ายที่จะคิดออกว่าเราควรทำอย่างไรในการย้ายครั้งที่สอง อย่างมีประสิทธิภาพเราสามารถปฏิบัติต่อการย้ายครั้งที่สองเป็นครั้งสุดท้ายของเกมที่สั้นกว่า จากนั้นเราสามารถทำขั้นตอนนี้ซ้ำได้ การใช้วิธีการนี้เป็นวิธีที่แน่นอนในการเปิดเผยกลยุทธ์ที่ดีที่สุดในเกมที่มีรูปแบบมาตรฐาน แต่เราจะต้องพิจารณาทุกการเคลื่อนไหวที่เป็นไปได้ซึ่งเป็นไปไม่ได้สำหรับทุกคนยกเว้นเกมที่ง่ายที่สุด
การตัดแต่งกิ่งอัลฟ่าเบต้าเป็นการปรับปรุงที่เข้มงวดในการค้นหา Minimax มันใช้ประโยชน์จากความจริงที่ว่าการเคลื่อนไหวบางอย่างนั้นแย่กว่าการเคลื่อนไหวอื่น ๆ ตัวอย่างเช่นในหมากรุกฉันไม่จำเป็นต้องพิจารณาการเคลื่อนไหวใด ๆ ที่จะทำให้คุณมีโอกาสที่จะทำให้ฉันเป็นรุกฆาตแม้ว่าคุณจะสามารถทำสิ่งอื่นจากตำแหน่งนั้น เมื่อฉันเห็นว่าการเคลื่อนไหวอาจนำไปสู่การสูญเสียฉันจะไม่ต้องกังวลกับสิ่งที่อาจเกิดขึ้นจากจุดนั้น ฉันจะดูสิ่งอื่น ๆ อัลกอริทึมนี้ยังมั่นใจว่าจะให้ผลลัพธ์ที่ถูกต้องและเร็วขึ้น แต่ก็ยังต้องพิจารณาการเคลื่อนไหวส่วนใหญ่ในทางปฏิบัติ
มีวิธีการทั่วไปสองวิธีที่คุณสามารถหลีกเลี่ยงค่าใช้จ่ายในการคำนวณที่สูงในการแก้เกมประเภทนี้ได้อย่างแน่นอน:
ใช้ Heuristic (การค้นหา A * เป็นอัลกอริทึมปกติสำหรับวัตถุประสงค์การสอน แต่การค้นหา Quiescence เป็นแนวคิดที่คล้ายกันในเกมผู้เล่น 2 คน) นี่เป็นเพียงฟังก์ชั่นที่ให้ค่าประมาณของสถานะของเกม แทนที่จะพิจารณาการเคลื่อนไหวทั้งหมดในเกมคุณสามารถพิจารณาการย้ายออกไประยะทางที่แน่นอนก่อนล่วงหน้าแล้วใช้ค่าของฮิวริสติกเพื่อตัดสินมูลค่าของสถานะที่คุณไปถึง หากฮิวริสติกของคุณสอดคล้องกัน (โดยหลักแล้ว: หากประเมินคุณภาพของรัฐสูงเกินไปเสมอ) สิ่งนี้จะยังคงให้คำตอบที่ถูกต้อง แต่ด้วยการเพิ่มความเร็วอย่างมาก
ใช้การเปิดตัว (เช่นการค้นหาต้นไม้ Monte Carlo) โดยพื้นฐานแล้วแทนที่จะพิจารณาทุกการเคลื่อนไหวให้รันเกมจำลองสองพันเกมระหว่างผู้เล่นที่เล่นแบบสุ่ม (ซึ่งเร็วกว่าการพิจารณาการเคลื่อนไหวที่เป็นไปได้ทั้งหมด) กำหนดค่าให้รัฐเท่ากับอัตราการชนะโดยเฉลี่ยของเกมที่เริ่มต้นจากมัน สิ่งนี้อาจไม่ได้คำตอบที่ถูกต้อง แต่ในเกมบางประเภทมันทำงานได้อย่างน่าเชื่อถือ มันมักจะใช้เป็นส่วนขยายของเทคนิคที่แน่นอนมากกว่าที่จะถูกใช้ด้วยตัวเอง
NB เหตุผลที่ฉันเลือกอัลกอริธึมทั้งสามนี้เท่านั้นเนื่องจากเวลาที่ฉันเข้าใจ จากการวิจัยเล็ก ๆ น้อย ๆ ฉันพบว่าอัลกอริทึมเหล่านี้ถูกผสมผสานเข้ากับอัลกอริธึมมินิแมกซ์ ดังนั้นถ้าฉันเข้าใจได้แล้วอีกสองคนก็จะเข้าที่
ได้รับบริบทนี้ผมจะแนะนำให้เริ่มออกกับ Minimax ในสามอัลกอริทึม Minimax นั้นง่ายที่สุดที่จะเข้าใจ
Alpha-Betaดังที่คนอื่น ๆ พูดถึงในคำตอบอื่น ๆ คือการปรับปรุงอย่างเข้มงวดบน Minimax Minimax นั้นเป็นส่วนหนึ่งของการใช้งาน Alpha-Beta และความเข้าใจที่ดีของ Alpha-Beta นั้นต้องเริ่มต้นด้วยความเข้าใจ Minimax ที่ดีอยู่ดี หากคุณมีเวลาเหลือหลังจากการทำความเข้าใจและนำ Minimax ไปใช้ฉันขอแนะนำให้คุณย้ายไปที่ Alpha-Beta หลังจากนั้นและสร้างมันขึ้นมาบน Minimax การเริ่มต้นด้วย Alpha-Beta หากคุณยังไม่เข้าใจ Minimax ก็ไม่สมเหตุสมผล
การค้นหาต้นไม้ Monte-Carloน่าจะเป็นขั้นสูงขึ้นเล็กน้อยและซับซ้อนกว่าที่จะเข้าใจอย่างลึกซึ้ง ในช่วงสิบปีที่ผ่านมา MCTS ได้เติบโตขึ้นเรื่อย ๆ จนได้รับความนิยมมากกว่าอีกสองเท่าดังนั้นจากมุมมองดังกล่าวการเข้าใจว่า MCTS อาจมีประโยชน์มากกว่า
การเชื่อมต่อระหว่าง Minimax และ MCTS น้อยกว่าโดยตรง / ชัดเจนกว่าการเชื่อมต่อระหว่าง Minimax และ Alpha-Beta แต่ยังคงมีการเชื่อมต่ออย่างน้อยในระดับแนวคิด ฉันขอยืนยันว่าการมีความเข้าใจที่ดีเกี่ยวกับ Minimax ก่อนยังคงมีประโยชน์ก่อนที่จะดำน้ำใน MCTS ; โดยเฉพาะอย่างยิ่งการทำความเข้าใจ Minimax และจุดอ่อน / จุดอ่อนของมันสามารถให้บริบทที่เป็นประโยชน์ / ช่วยให้คุณเข้าใจว่าทำไม MCTS จึงกลายเป็น "จำเป็น" / ได้รับความนิยม
เพื่อสรุปในความคิดของฉัน:
ฉันต้องเลือกระหว่างการตัดแต่ง Minimax และ Alpha-Beta คุณควรเลือก Alpha-beta มันมีประสิทธิภาพและรวดเร็วกว่าเพราะสามารถตัดทอนส่วนสำคัญของต้นไม้สำรวจของคุณได้ แต่คุณต้องสั่งการกระทำจากดีที่สุดไปหาแย่ที่สุดขึ้นอยู่กับมุมมองสูงสุดหรือต่ำสุดดังนั้นอัลกอริทึมสามารถตระหนักได้อย่างรวดเร็วว่าจำเป็นต้องมีการสำรวจหรือไม่