Question

一点背景：作为一种在C ++中学习多节点树的方法，我决定生成所有可能的TicTacToe板并将它们存储在树中，使得从节点开始的分支都是可以从该节点跟随的板，并且节点的子节点是一次移动的板。在那之后，我认为使用该树作为决策树来编写一个AI来玩TicTacToe会很有趣。

TTT是一个可以解决的问题，一个完美的玩家永远不会丢失，因此我第一次尝试AI时编码似乎很简单。

现在，当我第一次实现AI时，我回过头来为每个节点添加了两个字段：X将赢得的次数＆amp; O将在该节点下的所有孩子中获胜的次数。我认为最好的解决方案就是让我的每一步动作都选择AI，然后选择最能赢得次数的子树。然后我发现虽然它在大部分时间都是完美的，但我找到了可以击败它的方法。这对我的代码来说不是问题，只是我让AI选择它的路径的问题。

然后我决定让它选择具有计算机最大胜利或人类最大损失的树，以较多者为准。这使它表现更好，但仍然不完美。我仍然可以击败它。

所以我有两个想法，我希望得到更好的输入：

1）而不是最大化赢或输，而是我可以为胜利分配1，为平局分配0，为亏损分配-1。然后选择具有最高值的树将是最佳移动，因为下一个节点不能是导致丢失的移动。这是电路板生成中的一个简单变化，但它保留了相同的搜索空间和内存使用量。还是......

2）在棋盘生成期间，如果有一个棋盘让X或O在下一步中获胜，则只会产生阻止该胜利的孩子。不会考虑其他子节点，然后生成将在此之后正常进行。它缩小了树的大小，但后来我必须实现一个算法来确定是否有一个移动获胜，我认为这只能在线性时间内完成（我认为让板子生成慢很多？）

哪个更好，还是有更好的解决方案？

Answer 1

基于决策树实施AI的（通常）正确方法是使用“ Minimax ”算法：

为每个叶节点分配一个分数（+ 1 =玩家获胜，-1 =玩家输，0 =领带）
按照自己的方式向上运行，将以下规则应用于每个节点：
- 对于均匀深度（当玩家进行移动时），选择得分最高的孩子，并将该分数复制到节点。
- 对于奇数深度（当计算机移动时），选择得分最低的孩子，并将该分数复制到节点。

当然，偶数和奇数可能需要反转，具体取决于你决定谁先行。

您可以在以下网址阅读更多内容：

Answer 2

您现有的算法很好，除非您忘记了一件事。永远不要选择任何其他玩家移动导致你无法至少打成平手的路径。

所以基本上，丢弃玩家下次移动的任何分支都可能导致无法绑定的情况，然后运行现有的算法。这导致赢得对抗非完美对手的最高机会，同时消除失败的可能性。

Answer 3

Tic-Tac-Toe可以使用greedy algorithm来解决，并不需要决策树。

如果您想继续使用当前算法，请按照顾客的意愿行事，并尽量减少每次决定失败的可能性。

如果您想要一种更简单的方法，AI每回合都会执行以下操作：

尽可能完成胜利的Tic-Tac-Toe。
如果可能的话阻挡对立的Tic-Tac-Toe。
为每个方块的合意性评分，对于彼此在一条线上取正方形（由AI），为该方块添加一个合意点。对于对手占据的每个方格，删除一个可取的点。

例如，如果董事会目前是：
```
_|O|X
_|X|_
O| |
```
左上角的满意度为0（同一行中X为1，对角线为X为1，而每个Os为-1）。
在最理想的广场上玩。任意打破关系。

在上面的示例中，AI会选择右中方，因为它的合意性为2，这将导致下一轮获胜。
如果游戏刚刚开始，请播放中心广场，如果拍摄中心广场，请随意选择一个角落。
胜利（或领带）。

这是我的10年级Visual Basic学期项目。与存储决策树相比，它不可能击败并且需要的内存要少得多。

Answer 4

执行此操作的“天真”方式（对于任意游戏，其中两个玩家轮流进行移动）是递归尝试每个可能的移动，直到你最终获得一个赢家的板，然后向上追溯在树中将节点标记为“O wins”，“X wins”或“draw”。

每次你加强（一个这样的步骤通常被称为一层），取决于谁的移动，假设玩家选择最适合他/她的移动。由于您正在从叶子向上移动，因此您将始终知道每个子节点的最佳可能结果。

当计算子树中可能的输赢板的数字时，你基本上假设每个玩家总是随机移动。正如您所指出的，如果您与智能播放器对战，这将不会非常有效。我上面概述的方案反而假设对手总是做出一个完美的举动，试图获胜。

TicTacToe AI做出不正确的决定

4 个答案: