Eu estou estudando IA. Meu professor nos deu o código-fonte de um jogo semelhante ao xadrez e nos pediu para aprimorá-lo. Meu exercício é melhorar o algoritmo alfa / beta implementado nesse jogo. O programador já usa tabelas de transposição, MTD (f) com memória alfa / beta + (MTD (f) é o melhor algoritmo que conheço de longe). Existe algum algoritmo melhor para aprimorar a pesquisa alfa-beta ou uma boa maneira de implementar o MTD (f) na codificação de um jogo?
Respostas:
Responderei geralmente mais especificamente. Primeiro, na minha experiência, quando um professor pergunta, existe uma maneira melhor ... Eu imediatamente vou ao livro e procuro por coisas que o autor observou como falhas no algoritmo em questão. Segundo, vejo otimizações que me ajudaram no passado.
Para um algoritmo de pesquisa em árvore como o alfa-beta, eu adicionaria uma heurística que reduz o número de pesquisas ou faz com que ele procure primeiro em locais mais prováveis.
Eu atribuiria pesos a caminhos que podem ser tomados na árvore com base nos resultados anteriores. Se um caminho resultou em uma pontuação mais alta no passado, provavelmente é um bom caminho a seguir novamente. Para encurtar a história, adicione heurísticas aos caminhos e escolha ir com eles para que o algoritmo possa terminar mais cedo.
Note que eu realmente não me lembro muito sobre o algoritmo específico, apenas que é uma árvore e a abordagem ingênua a ele não envolve essa heurística.
Você não mencionou a remoção de movimentação nula ou reduções de movimentação tardia. Eles são bastante fáceis de implementar e são ainda mais eficazes na redução do tamanho da pesquisa do que na poda alfa-beta. As extensões de pesquisa também são importantes para atenuar o efeito do horizonte; a busca por quiescência, em particular, é um componente muito importante para uma IA de xadrez.