请问这个问题是否已经存在，我进行了很多搜索，但还没有得到我想问的问题的答案。因此，基本上，我正在尝试实现一个使用Minimax算法进行移动的Tic-Tac-Toe AI。
但是，我没有得到的一件事是，当在空板上使用Minimax时，返回的值始终为0（这很有意义，因为如果两个玩家都玩得尽善尽美，游戏总是以平局结束）。
因此，当AI为X时，Minimax总是选择第一个图块作为最佳移动（因为所有移动均返回0作为值）。第二步也一样，它总是选择第二个图块。我该如何解决这个问题，使我的AI更有可能获胜呢？这是我使用的评估和Minimax函数（用于Alpha-Beta修剪）：
access-control-allow-origin答案 0 :(得分：0)
Minimax假定为最佳比赛，因此最大化“获胜概率”不是有意义的概念：由于其他玩家可以强制平局但不能强制胜利，因此他们总是会强制平局。如果您想与并非完全理性的玩家进行最佳比赛（当然，这是获胜的仅有的两种方法之一），则需要假设对手的动作具有一定的概率分布并使用ExpectMinimax ，其中对手的举动很有可能被随机错误所取代。或者，您可以使用启发式方法来针对超出特定深度的对手玩法，故意限制minimax搜索的范围（但仍在游戏树中搜索自己的举动。）
*另一个不玩。
答案 1 :(得分：0)
将代码组织成较小的例程，以使其看起来更整洁且更易于调试。除了递归minimax函数外，所有可能的有效移动生成函数和可靠的评估子例程也是必不可少的（这里似乎缺少）。
例如，在游戏开始时，评估算法应返回非零得分，每个位置均应具有相对得分指数（例如，中间位置的权重可能比边角略高）。
您的极大极小边界条件-如果没有空单元格位置，则返回；是有缺陷的，因为即使在前面的层中发生了赢/输动作，它也会进行评估。这种情况将在更复杂的AI游戏中加剧。
如果您不熟悉minimax，可以在CodeReview上找到很多可以用来编译示例代码的