标签：查找 alpha 延时 xeon 子节点 cdn 玩家 car 出现
利用Java的图形界面工具swing和awt来绘制棋盘的框架，绘制了19X19的网格。然后在画布上增加监听器来监听鼠标点击的部分，然后在邻近的网格交点处绘制棋子，这样就实现了下棋的效果。
19X19的棋盘，就用19X19的二维数组来存储棋盘的信息。每当玩家新增加一个棋子，后台部分就会遍历一遍数组，对每一个槽进行8个方向深度为5的DFS搜索，判断是否有五子相连的情况，这样就实现了输赢的判断。
简而言之就是统计棋型累计评分，例如4个我方或对方的棋子相连，那么权重就是一个非常大的数，用来表示这个位置非常重要；如果是一个3个棋子相连也赋予一个对应权值。我把这种棋局用字符串表示，权重用整型数表示，以键值对的方式存储在一个HashMap中，那么这个哈希表就是电脑的判断棋局的依据。接着在电脑出手的时候，就遍历一遍二维数组，同样是对每一个槽进行8个方向的DFS搜索，之后查询哈希表累计该槽的权值。遍历完之后，权值最大的位置就是电脑下棋的位置。
初始版本的AI只能根据当前的局势判断下一步，而极大极小值算法可以自己先多走几步，预判未来的局势再决定当前的局势。过程是这样的：
先设定好一个搜索树层数 Depth?，即要模拟 Depth?步；因为每一方都想赢，所以每一步的模拟都是模拟当前角色的最优下法，那么从AI方计算的视角来看，AI下棋的时候应该要使得全局的权值最大，对方下棋的时候就应要使得全局的权值最小；其实双方的最优下法逻辑是一样的，只不过从我方来看对方要_加个负号_，也可以说是我要使我的分数尽量大，对方要使我的分数尽量小。最后，综合模拟的若干步累计权值，取其中权值最大的下法下棋。
但是这个算法的开销很大，因为假设棋盘有N个空位，那么这棵搜索树的第一层就有N个节点，第二层就有N-1个节点……这样下去时间复杂度和空间复杂度都是指数级的增长
，所以为了优化我们需要剪枝来舍去不必要的搜索。
剪枝这个算法就是给搜索树上的每一个节点维护一个下界为
上界为
的窗口。这个窗口从父亲到儿子直接传递，从儿子回溯到父亲就要进行相应变化，因为搜索树结果信息是自底向上传递的，所以更新也是自底向上更新。如果当前为对方节点，那么对方会尽量使可取值小，故下拉上界；若当前使我方，则会尽量使可取值大，故上推下界。
如果发现
那么就可以剪枝了，为什么呢？首先一个前提是，当前的每一步都是由AI来模拟对于每一个下棋这的最优走法。假设当前为MAX方，那么由某个子节点的信息MAX方更新了发现
，说明当前MAX节点可获得一个值大于由对方约束的最大值，那么对方是肯定不会走这里的，所以本节点之后的其他子节点就没有继续搜索的必要了；同理，假设当前为MIN方，那么由某个子节点的信息MIN方更新了，若发现，说明当前的MIN节点可以获得一个值小于对方约束的最小值，那么对方是肯定不会走这里的，所以本节点的其他子节点可以剪掉。
哈希表本质上就是一个数组，只不过是通过哈希函数映射某个关键码来获取数组的下标。正是利用了数组空间连续查询高效，所以哈希函数如果设计得好，能够在
的复杂度下实现查找。
但是容易出现冲突，就是不同的关键码通过哈希函数映射出同一个值，这个时候就需要解决冲突的策略。大体上分为两种：
本质上就是状态的转移。它从某一个初始状态开始，一直转移到状态无法转移为止。如果把搜索的过程看作一棵树，那么信息的传递就会是自下而上或者是自上而下，然后对应的最终的完整信息状态就会出现在根或者是叶子。对于我这个五子棋，信息的传递就是自上而下的，也即最终某个方向上棋局的状态是搜索到叶子处获得。
标签：查找 alpha 延时 xeon 子节点 cdn 玩家 car 出现
原文地址：https://www.cnblogs.com/GorgeousBankarian/p/12590343.html
