Min-Max search以及更高效的Alpha-Beta search算法是众所周知的，通常用于在井字游戏，连接4等游戏中实现人工智能（AI）播放器上。
虽然基于这些搜索算法的AI如果能够遍历整个搜索树，对于人类来说基本上是无与伦比的，但是当由于指数增长而导致的可能性过多时（例如以Go为例），这将变得不可行。
到目前为止提到的所有这些游戏都是回合制的。
但是，如果我们假设有足够的计算能力，那么是否有可能将这些算法也应用于实时策略（RTS）游戏？从理论上讲，这应该通过将时间离散到足够小的帧中，然后在每个时间戳上模拟所有可能的动作来实现。
很显然，搜索树的大小会迅速爆炸。但是，我想知道是否存在对实时游戏这种方法的理论分析？甚至是实际的调查，它们使用的RTS都大大减少和简化了？
问题：我正在搜索与此主题相关的参考文献（如果有）。
答案 0 :(得分：0)
考林（Cowling）等人，1998年的这篇论文"Search in Real-Time Video Games"断言A *已广泛用于视频游戏搜索中。
有盖斯勒（Geisler）的MS论文'An Empirical Study of Machine Learning Algorithms Applied to Model Player Behavior in a "First Person Shooter" Video Game'，他主要使用ID3和boost算法来学习《财富》 2 FPS玩家的专家士兵的行为，并将其结合到玩游戏的特工中。
在线上还有其他几篇类似的论文，但似乎它们中的大多数目前正在使用各种机器学习算法通过观察来学习行为，并将其纳入某种代理中，而不是主要使用优化搜索。
"Learning Human Behavior from Observation for Gaming Applications"（Moriarty和Gonzales，2009年）就是一个例子。