java - 如何加速Java中的minimax算法？

Question

我正在尝试找出提高该算法速度的方法。它适用于两个游戏(2 人游戏，CPU vs Human)，但问题是当我分配超过三堆(包含许多石头，所以每个玩家可以捡起不止一个)时，电脑玩家永远计算移动:

public Object[] minimax(int depth, int player) {

        if(hasPlayer1Won(player)){
            return new Object[]{get_default_input(1),1};
        }else if(hasPlayer2Won(player)){
            return new Object[]{get_default_input(1),-1};
        }
        List<T> movesAvailable = getNextStates();

        if(movesAvailable.isEmpty()){
            return new Object[]{get_default_input(0), 0};
        }
        int min = Integer.MAX_VALUE;
        int max = Integer.MIN_VALUE;
        T computersMove = getNextStates().get(0);
        int i = 0;
        for (T move: movesAvailable) {
            makeAMove(move, player);
            Object[] result = minimax(depth + 1, player == G.PLAYER1 ? G.PLAYER2 : G.PLAYER1);
            int currentScore = (int)result[1];

            if(player == G.PLAYER1){
                max = Math.max(currentScore, max);

                if(currentScore >= 0 && depth == 0) {
                    computersMove = move;
                }
                if(currentScore == 1){
                    resetMove(move);
                    break;
                }
                if(i==movesAvailable.size() - 1  && max < 0){
                    if (depth == 0){
                        computersMove = move;
                    }
                }
            }else{
                min = Math.min(currentScore, min);
                if(min == -1) {
                    resetMove(move);
                    break;
                }
            }
            i++;
            resetMove(move);
        }

        return new Object[]{computersMove, player == G.PLAYER1 ? max: min};
    }

Answer 1

我已经成功测试了以下改进minimax的方法(用它来玩Tic-Tac-Toe和Dominineering):

1. Alpha beta pruning - 使用这种修剪的特殊变体，与 Lazy evaluation 结合使用- 基本上不是生成整棵树，我只是在每一层生成一个最佳移动，并为其他状态- Action 对保留惰性持有者(应用惰性评估方法，通过使用供应商并在移动不同于我拿着的一个被做了)。

2. Heuristic pruning - 请参阅该书中关于启发式的章节。我基本上只生成了树的前 d 个分支，而不是确定性结果，我将那本书中描述的启发式函数应用于当前状态以确定启发式结果。每当移动 (d+1) 时，我都会使用相同的方法生成另一个分支。这里，d 是您选择的级别(最安全的方法是通过测试)

3. Parallel computing也看看这个，你可能会发现它更难实现，但它会带来返回

前 2 个选项为我节省了大量的计算时间，这样我就可以在 5x5 的棋盘上以最佳方式玩 Domineering，并在 10x10 的棋盘上试探性地玩(它可以更好，具体取决于你想要它玩得有多好)。