我正在开发一个连接4人工智能，并看到许多人正在使用this数据集，其中包含8层的所有法律职位及其最终结果。
我正在使用带有alpha / beta修剪的标准minimax作为我的搜索算法。看起来这个数据集可能对我的AI非常有用。但是，我正在努力寻找实现它的最佳方法。我认为最好的方法可能是处理列表，并使用board状态作为最终结果（win，loss，draw）的哈希值。
设计AI以使用这样的数据集的最佳方法是什么？我的想法是散列电路板状态，并在正确的轨道上使用传统搜索算法（例如minimax）吗？还是有更好的方法？
更新：我最终将大型移动数据库转换为普通的测试格式，其中1表示X和-1 O.然后我使用了一个字符串状态的字符串，一个表示最终结果，并将其放入std::unsorted_map（请参阅Stack Overflow With Unordered Map以了解我遇到的问题）。地图的表现非常出色。它构建得很快，查找速度很快。但是，我从未完全正确地进行搜索。当游戏中的回合次数小于8时，是解决问题的正确方法，然后切换到常规的alpha-beta？
答案 0 :(得分：3)
您的方法似乎是正确的。
对于前8个移动，使用alpha-beta算法，并使用查找表来评估深度为8的每个节点的值。
一旦你“耗尽”了桌面（游戏中超过8个动作） - 你应该切换到常规的alpha-beta算法，以终端状态结束（在游戏树中留下）。
这非常有用，因为：
请记住，搜索树的复杂性为O(B^d) - 其中B是分支因子（每个州可能移动的数量），d是到最后所需的深度。
通过使用这种方法，您可以有效地减少B和d的最大等待时间（需要计算的最长移动），因为：
d-8（仅适用于最后一次移动），实际上会减少d！B。B^8而不是B^d。因此，由于这些原因，使用这种方法可以显着减少最长等待时间。
另请注意：如果您发现优化不够 - 您可以随时扩展查找表（至9,10，......首先移动），当然它会以指数方式增加所需空间 - 这是一个权衡需要检查并选择最符合您需求的东西（如果主内存不够，甚至可以将整个游戏存储在文件系统中）应该考虑。