Alpha-Beta＆＃34;打破＆＃34;阿姆达尔的法律？

Question

我有一个经典的minimax问题解决方案，还有额外的alpha-beta修剪实现。

我按以下方式对算法进行了并行化：

1. 迭代加深，直到我们有比可用线程更多的节点
2. 在N个线程的批次中为每个线程运行一个minimax。因此，如果我们在串行搜索的深度2处获得9次可能的移动，我们首先开始4个线程，然后是另外4个线程，然后是1个线程，每个线程从深度2开始，使用自己的参数。

事实证明，4个线程的加速S = T（串行）/ T（并行）是4.77，所以我基本上打破了Amdahl定律。

如果我们说实施没有以某种方式打破，我怀疑Alpha-Beta修剪在这里做了什么？由于并行开始多次搜索，有更多修剪和更快？这是我的理论，但如果有人能够更详细地证实这一点我就会喜欢。

只是为了澄清：

没有alpha-beta实现的Minimax基本上是对整个树进行深度优先搜索，直到某个最大深度。 使用alpha-beta它会做同样的事情，除非它修剪一些分支，否则会导致更糟糕的结果。

编辑：在进一步检查代码后，我在一行代码上遇到了一个错误，导致程序“欺骗”＃34;而不是采取一些举措。实际加速因子现在是3.6。很抱歉浪费每个人的时间..今天的计算没有突破。 ：/

Answer 1

这可能是由于缓存效应或类似原因造成的。它被称为superlinear speedup。它可以/确实发生。

Answer 2

使用更多主题，您实际上正在运行部分广度优先搜索。碰巧你的问题适合广度优先搜索。

即使在单核机器上，您也会看到加速。

您不需要线程来实现此加速。您可以简单地编写一个（部分）广度优先搜索，其行为类似于多个线程。

想象一下，你想要搜索两个列表：

• 100万次0，然后是1

• 1，然后100万次0

一旦找到1，就会停止。如果按顺序搜索它们，则需要查看1,000,002个元素。如果您在单个核心上使用两个线程，搜索将立即找到1并且您已完成。 A＆＃34;超线性＆＃34;加速1000,000x左右！