我正在尝试在一个简单的纸牌游戏中为 AI 玩家实现一个极小极大算法。但是，通过研究，我很困惑状态评估和启发式方法之间的主要区别是什么。
据我了解，启发式是由玩家可用的当前信息计算的（例如，在国际象棋中，棋子及其相关位置）。有了这些信息，他们得出一个基于启发式函数的结论，该函数基本上提供了“经验法则”。
状态评估是当前状态的准确值。
但是我不确定为什么这两种东西共存，因为我看不出它们之间有多大的不同。请有人详细说明，并消除我的困惑。谢谢。
问问题
442 次
1 回答
0
假设一个零和游戏，您可以对最终状态（从玩家 X 的角度以赢、平、输结束的游戏）进行状态评估，结果为 1,0,-1。然后，完整的树搜索将使您获得完美的发挥。
但在实践中，树很大，无法完全搜索。因此，您必须在某个时候停止搜索，这不是最终状态。没有确定的赢家或输家。现在很难用 1,0,-1 来标记这个状态，因为游戏可能过于复杂，无法轻松评估远离最终状态的某个状态的获胜者。但是你仍然需要评估这个位置，并且可以使用一些关于游戏的假设，这等于启发式信息。一个例子是国际象棋中的棋子（皇后比棋子更有价值）。这是包含在非完美评估函数（真实评估函数的近似值）中的启发式信息。您的假设/启发式方法越好，真实评估的近似值就越好！
但是还有其他部分可以包含启发式信息。一个非常重要的领域是控制树搜索。哪个先动将首先被评估，哪个最后。首先选择好的移动允许像 alpha-beta 这样的算法修剪树的大部分。但是当然你需要陈述一些假设/启发式信息来命令你的移动（例如，皇后移动比典当移动更强大；这是一个虚构的例子，我不确定这种启发式在国际象棋中的效果-AI在这里）
于 2017-03-05T16:24:08.830 回答