【五子棋AI】启发算法——迭代加深与内部迭代加深

        α—β剪裁函数会一直搜索到指定深度然后返回，但是当走法生成器生成较多走法或深度设置较深时，往往会导致较长时间无法返回，从而无法进行较为准确的时间控制——因为如果即时返回，我们还没有得到结果，很尴尬的说。于是我们可以尝试搜索较浅的深度，然后返回一个值，如果没有胜利，那么尝试更深的深度。这样配合局面评价记录（置换表技术），可以对更深的搜索有一定的启发作用，而浅层搜索所消耗的时间所带来的负面影响（重复搜索）相对于时间控制和启发作用带来的好处相比要小，所以这是一个被广泛应用的技术，无论核心是PVS，还是MTDF。提到MTDF不得不说我的实验结果来看即使使用粗评价、减少棋型评分差异也没有得到比PVS更好的效果，可能与走法生成器的排序有关。 

        所以，迭代加深是一个非常有用的时间控制和启发方式。而且，代码也非常简单：

      for i = 1 to maxdepth

            vl=alphabetafull(-matevalue,matevalue,i)

      if vl >=winvalue then

      else if vl<=-winvalue then

      end if 

      if lasetime >=maxtime then 

      end if

大体就是这样。

        

            然后讨论一下“内部迭代加深”，内部迭代加深的意思是说在遍历全部可能走法之前，先浅层搜索一下得到一个浅层搜索的最好走法，然后把这个走法放在其他走法前面。也就是说，内部迭代加深是一种基于探测式的走法排序优化。在我的测试中，内部迭代加深起到了非常好的效果，它甚至要比置换表、杀手走法有效很多。所以在明确了内部迭代加深之后，代码应该比较容易写，我参考了象棋巫师的源代码，采用相同的深度约束和空窗探测，也就是说使用了相同的代码，虽然一个是VC一个是VB.NET，但说好听的我又踩了巨人的肩膀子一脚…………

全部文章和源码整理完成，以后更新也会在下面地址：

http://www.vbdevelopers.org

http://www.softos.org