给定每个棋盘状态，我的 AI 将返回 1 个确切的移动位置。
我还制作了一个函数，可以循环使用 AI 制作的所有可能的游戏
所以它是一个递归函数，让 AI 为给定的棋盘移动，然后让其他游戏做出所有可能的移动，并为每个可能的移动调用它自己的递归函数，并使用一个新的棋盘。
我这样做是为了当人工智能先行时，当另一个人先行时……然后将它们加在一起。我最终得到 418 次可能的胜利和 115 次可能的平局，以及 0 次可能的失败。
但现在我的问题是，我如何最大化获胜的数量？我需要将此统计数据与某些东西进行比较，但我无法弄清楚将其与什么进行比较。
您可以将其视为具有未知最优解的优化问题。然后，您可以使用某种形式的元启发式算法（例如遗传算法、PSO）对您的 AI 应用变体，直到找到最佳值。有趣的是，这些算法不一定会返回“最好的”，但获得比以前更好的东西仍然有用。
通常元启发式算法需要一个适应度函数，该函数基本上比较解决方案以找到最佳解决方案。在您的情况下，您可以使用胜率作为适应度函数。已经达到 418/115 的比率，您可以将其用作您的“基准”，以便比较未来的解决方案。
不幸的是，我知道我的提议可能过于牵强（您可能正在寻找更简单的东西），或者它可能过于笼统。
不幸的是，我不确定是否有任何统计数据可以用来查看它是否完美。我很快就有的一个想法是假设： - 一场完美的比赛只会导致胜利或平局。
您的递归算法已经返回了这个。现在的问题是，是否有可能增加获胜的数量？然后，您可以做出以下假设： - 如果两个玩家都打得很好，结果将永远是平局（猫的游戏）。
基于这个假设以及对前面假设的评估，这意味着如果你的 AI（我们称之为 Bob）是完美的，那么在 Bob vs Bob 的游戏中，结果一定是平局。
我意识到这仍然不能帮助您增加获胜次数（如果可能的话），但它提供了您可以使用的另一个指标 - 至少确保在 Bob vs Bob 游戏中，没有边缘情况是赢家（这意味着你的 AI 并不完美）。