我正在为纸牌游戏编写AI，经过一些测试，我发现在我的alpha beta算法上使用MTD（f） - 一系列零窗口搜索 - 比使用alpha-beta更快本身。
这里很好地描述了MTD（f）算法http://people.csail.mit.edu/plaat/mtdf.html
我遇到的问题是，对于MTD（f）搜索中的每次传递（对于每个猜测），我不重用我存储的任何先前位置，即使链接上的写入表明我应该（事实上，在迭代之间清除表格可加快算法速度。
我的问题是，当我在转置表中存储位置和值时，我还存储了有效的alpha和beta值。因此，第二次通过树以不同的猜测（因此alpha和beta）不可能重复使用任何信息。这是预期的，还是我错过了一些基本的东西？
例如，如果对于alpha = 3 beta = 4，我们得到7的结果（显然是截止）我应该将其存储在表中，因为alpha = 3到beta = 6有效吗？或beta = 7？
答案 0 :(得分：9)
您的问题归结为如何在alpha beta搜索旁边使用转置表的概念性理解。这也是我遇到的一个大问题，在环顾四周之后，我发现this discussion比我在这个主题上读过的任何论文都更自然地向我解释了这个概念。
基本上你不能将所有的alpha-beta结果都视为相同，因为当发生截止时，结果只代表一个边界，而不是真正的极小极大值。已经证明，使用边界仍将始终为您提供相同的最佳下一个状态，但可能没有确切的分数。当您从截止状态存储状态时，您需要将其视为边界并尝试在下一次传递时对其进行改进。这通常会多次评估同一个节点，但会根据需要不断改进实际得分。
Here is a good example更完整地实现了之前链接文章中列出的概念。滚动到第14页。