關於博弈的討論---計算機關於象棋博弈
計算機實現象棋博弈的幾種方法的討論
第一種方式是像人類，計算機討論兵型，戰術，棋局時機等，這顯然無法做到。
第二種方法考慮計算機的如果-那麼規則；即如果將兵前移一位，那麼就那樣做。這樣做對棋盤沒有評估，只是看看棋盤，以當前的情況爲依據來下。
如上圖，上面的點是棋局形式，下面的點是可能的操作，我們可以根據第一個方向確定下一步如何走。對可能的操作進行排序，選優先級最高的那個。不過這不是一種很好的方式。
第三種方法是對棋局做出評估，看所有移動的可能結果，確定所有可能的下一步中走哪一步是最好的，這需要設法評估形勢。
評估的一種方式如上圖，我們將當前棋盤上的形式設爲f1，f2····fn，分別可能代表王的位置等等棋局形式，這些形式最終構成一個函數g，而這個可以用一個多項式來表示，g = c1*f1+c2*f2+······cn*fn，我們可以找到評估中喜歡的一種方式往下走。
第四種方式是使用搜索算法，這裏我們首先考慮大英博物館算法，用於評估下面的所有可能結果。我們思考下面這棵樹
樹的度爲b，深度爲d，葉節點的數目顯然爲b的d次方，然而對於棋盤來說，所要評估的形式顯然很多，要想評估下一步的最好選擇，樹中大概有10的120次方几點，這顯然不可能。
第五種方式我們將不只考慮向下一步的方式，而是考慮向下多步來做評估。
圓圈中的數字爲5，代表第五種方式爲向下考慮多步
首先使用極小化極大算法
考慮一個簡單的b=d=2的樹，我們考慮兩個棋手，第一層的棋手想要得到極大值，第二層的棋手想要得到極小值，我們從上往下且從左往右給幾個結點排號，顯然②號結點將得到2，③號結點將得到值1，而①號結點取最大值得到值2。這樣可以到達樹的底部，一層一層的往上挪，然後決定怎麼走。雖然沒有得到最大值，但這是對抗性對局，得不到最大值也理所當然。
當b和d比較大時，我們知道，結點數是b^d,這顯然比較大，在博弈中我們也可以用一些方法進行剪枝。
如上圖，當我們看到2時，極小化者就知道②號結點的值<=2，再遍歷到7時，可以確定②號結點的值=2，同時極大化者可以確定①號結點的值>=2，當遍歷到1時，極小化者確定③號結點<=1，此時極大化者就可以確定①號結點值=2，這樣就進行了剪枝。這就是α-β算法，是對極小化極大算法的優化。
當有四層時，我們同樣可以用α-β算法，這時就有較多枝條被剪去。
在較好的情況下，我們需要做的靜態評估數大概是S = 2*b^(d/2)，這已經大大縮小了工作量。
然而，如果當最後一層節點需要的計算量非常大，耗時很長，我們就需要使用上一層靜態評估讓結果一個保證，如上圖，上一層的計算量比下一層少了一個量級。所以當我們規定下一步棋需要多少時間時，可以有一個保證，從而得到一個較好的評估。
爲什麼可以使用這種方法，如上圖計算，前面所有的評估量相加，約等於b^(d-1)。
所有的博弈程序都是這麼走的，極小化極大加α-β算法優化。
然而這仍然不是人工智能，這隻能是推土機的智能。