Come faccio a scegliere l'algoritmo migliore per un gioco da tavolo come le pedine?
Finora ho preso in considerazione solo tre algoritmi, vale a dire, minimax, potatura alfa-beta e ricerca dell'albero di Monte Carlo (MCTS). Apparentemente, sia la potatura alfa-beta che MCTS sono estensioni dell'algoritmo di base minimax.
Risposte:
tl; dr:
Nessuno di questi algoritmi è pratico per il lavoro moderno, ma è un buon punto di partenza pedagogico.
Si dovrebbe sempre preferire l'uso della potatura Alpha-Beta sulla ricerca barex minima.
Dovresti preferire utilizzare una qualche forma di ricerca euristica guidata se riesci a trovare un'euristica utile. Generare un'euristica utile di solito richiede molta conoscenza del dominio.
Dovresti preferire utilizzare la ricerca di Monte Carlo Tree quando non hai una buona euristica, quando le risorse di calcolo sono limitate e quando gli errori non avranno conseguenze fuori misura nel mondo reale.
Più dettagli:
Nella ricerca minimax, non cerchiamo di essere molto intelligenti. Usiamo solo un approccio di programmazione dinamica standard. È facile capire il valore delle mosse di differenza se siamo vicini alla fine del gioco (poiché il gioco finirà nella mossa successiva, non dobbiamo guardare molto avanti). Allo stesso modo, se sappiamo cosa farà il nostro avversario nell'ultima mossa del gioco, è facile capire cosa dovremmo fare nella seconda ultima mossa. In effetti, possiamo considerare la seconda ultima mossa come l'ultima mossa di una partita più breve. Possiamo quindi ripetere questo processo. L'uso di questo approccio è certo di scoprire le migliori strategie in un gioco standard in forma estesa, ma ci richiederà di considerare ogni mossa possibile, il che è impossibile per tutti tranne i giochi più semplici.
La potatura Alpha-Beta è un rigoroso miglioramento nella ricerca di Minimax. Si avvale del fatto che alcune mosse sono ovviamente peggiori di altre. Ad esempio, negli scacchi, non ho bisogno di prendere in considerazione alcuna mossa che ti darebbe l' opportunità di mettermi in scacco matto, anche se tu potessi fare altre cose da quella posizione. Quando vedrò che una mossa potrebbe portare a una perdita, non mi preoccuperò di pensare a cos'altro potrebbe succedere da quel punto. Vado a vedere altre cose. Questo algoritmo è certo di produrre il risultato corretto ed è più veloce, ma deve ancora considerare la maggior parte delle mosse in pratica.
Esistono due modi comuni per aggirare l'estremo costo computazionale per risolvere esattamente questo tipo di giochi:
Usa una euristica (una ricerca A * è il solito algoritmo per scopi pedagogici, ma la ricerca Quiescence è un'idea simile nei giochi a 2 giocatori). Questa è solo una funzione che fornisce una stima del valore di uno stato del gioco. Invece di considerare tutte le mosse in un gioco, puoi semplicemente considerare le mosse verso una certa distanza, e quindi utilizzare il valore dell'euristica per giudicare il valore degli stati che hai raggiunto. Se la tua euristica è coerente (essenzialmente: se sopravvaluta sempre la qualità degli stati), allora questo produrrà comunque la risposta corretta, ma con enormi accelerazioni nella pratica.
Usa i rollout (come Monte Carlo Tree Search). Fondamentalmente, invece di considerare ogni mossa, esegui alcune migliaia di giochi simulati tra giocatori che agiscono in modo casuale (questo è più veloce del considerare tutte le mosse possibili). Assegna un valore agli stati pari alla percentuale media di vincita dei giochi a partire da esso. Questo potrebbe non dare la risposta corretta, ma in alcuni tipi di giochi si comporta in modo affidabile. Viene spesso usato come estensione di tecniche più esatte, piuttosto che essere usato da solo.
NB Il motivo per cui ho scelto solo questi tre algoritmi era dovuto al tempo che ho a disposizione per capirli. Da una piccola ricerca, ho scoperto che questi algoritmi sono sostanzialmente intrecciati con l'algoritmo minimax. Quindi, se riesco a capirne uno, gli altri due andranno a posto.
Dato questo contesto, consiglierei di iniziare con Minimax . Dei tre algoritmi, Minimax è il più facile da capire.
Alpha-Beta , come altri hanno già detto in altre risposte, è un netto miglioramento rispetto a Minimax. Minimax è fondamentalmente una parte dell'implementazione Alpha-Beta e una buona comprensione di Alpha-Beta richiede comunque di iniziare con una buona conoscenza di Minimax. Se ti è rimasto del tempo dopo aver compreso e implementato Minimax, ti consiglio di passare all'Alpha-Beta in seguito e di costruirlo sopra Minimax. Iniziare con Alpha-Beta se non hai ancora capito Minimax non ha davvero senso.
La ricerca dell'albero di Monte-Carlo è probabilmente un po 'più avanzata e più complicata da comprendere davvero, in profondità. Negli ultimi dieci anni, MCTS è diventato davvero molto più popolare rispetto agli altri due, quindi da quel punto di vista la comprensione di MCTS può essere più "utile".
La connessione tra Minimax e MCTS è meno diretta / ovvia della connessione tra Minimax e Alpha-Beta, ma esiste ancora una connessione almeno a livello concettuale. Direi che avere una buona conoscenza di Minimax è ancora utile prima di immergersi in MCTS ; in particolare, comprendere Minimax e i suoi difetti / punti deboli può fornire un contesto utile / aiutarti a capire perché MCTS è diventato "necessario" / popolare.
Per concludere, secondo me:
Se dovessi scegliere tra potatura Minimax e Alpha-Beta dovresti scegliere Alpha-beta. È più efficiente e veloce perché può potare una parte sostanziale dell'albero di esplorazione. Ma devi ordinare le azioni dal meglio al peggio a seconda del punto di vista massimo o minimo, in modo che l'algoritmo possa capire rapidamente se l'esplorazione è necessaria.