关于博弈的讨论---计算机关于象棋博弈
计算机实现象棋博弈的几种方法的讨论
第一种方式是像人类，计算机讨论兵型，战术，棋局时机等，这显然无法做到。
第二种方法考虑计算机的如果-那么规则；即如果将兵前移一位，那么就那样做。这样做对棋盘没有评估，只是看看棋盘，以当前的情况为依据来下。
如上图，上面的点是棋局形式，下面的点是可能的操作，我们可以根据第一个方向确定下一步如何走。对可能的操作进行排序，选优先级最高的那个。不过这不是一种很好的方式。
第三种方法是对棋局做出评估，看所有移动的可能结果，确定所有可能的下一步中走哪一步是最好的，这需要设法评估形势。
评估的一种方式如上图，我们将当前棋盘上的形式设为f1，f2····fn，分别可能代表王的位置等等棋局形式，这些形式最终构成一个函数g，而这个可以用一个多项式来表示，g = c1*f1+c2*f2+······cn*fn，我们可以找到评估中喜欢的一种方式往下走。
第四种方式是使用搜索算法，这里我们首先考虑大英博物馆算法，用于评估下面的所有可能结果。我们思考下面这棵树
树的度为b，深度为d，叶节点的数目显然为b的d次方，然而对于棋盘来说，所要评估的形式显然很多，要想评估下一步的最好选择，树中大概有10的120次方几点，这显然不可能。
第五种方式我们将不只考虑向下一步的方式，而是考虑向下多步来做评估。
圆圈中的数字为5，代表第五种方式为向下考虑多步
首先使用极小化极大算法
考虑一个简单的b=d=2的树，我们考虑两个棋手，第一层的棋手想要得到极大值，第二层的棋手想要得到极小值，我们从上往下且从左往右给几个结点排号，显然②号结点将得到2，③号结点将得到值1，而①号结点取最大值得到值2。这样可以到达树的底部，一层一层的往上挪，然后决定怎么走。虽然没有得到最大值，但这是对抗性对局，得不到最大值也理所当然。
当b和d比较大时，我们知道，结点数是b^d,这显然比较大，在博弈中我们也可以用一些方法进行剪枝。
如上图，当我们看到2时，极小化者就知道②号结点的值<=2，再遍历到7时，可以确定②号结点的值=2，同时极大化者可以确定①号结点的值>=2，当遍历到1时，极小化者确定③号结点<=1，此时极大化者就可以确定①号结点值=2，这样就进行了剪枝。这就是α-β算法，是对极小化极大算法的优化。
当有四层时，我们同样可以用α-β算法，这时就有较多枝条被剪去。
在较好的情况下，我们需要做的静态评估数大概是S = 2*b^(d/2)，这已经大大缩小了工作量。
然而，如果当最后一层节点需要的计算量非常大，耗时很长，我们就需要使用上一层静态评估让结果一个保证，如上图，上一层的计算量比下一层少了一个量级。所以当我们规定下一步棋需要多少时间时，可以有一个保证，从而得到一个较好的评估。
为什么可以使用这种方法，如上图计算，前面所有的评估量相加，约等于b^(d-1)。
所有的博弈程序都是这么走的，极小化极大加α-β算法优化。
然而这仍然不是人工智能，这只能是推土机的智能。