[我已经在我的国际象棋AI中实现了minimax算法，并且我知道它不能正常工作，因为它只能一遍又一遍地来回移动。
getPieces（true）返回当前棋盘状态的所有白色棋子
getPieces（false）返回当前棋盘状态的所有黑色棋子
ChessPiece.getAllPotentialMoves（）很容易解释，可以获取特定片段的所有可能动作
[PieceMovements.move（）将一块（p）移动到位置（m->表示移动）
PieceMovements.undo（）撤消上一个动作
searchDepth是一个变量，它在首次调用miniMax时首先作为深度值传递，也就是说，它是您要向下搜索的距离。原因...
if(depth == searchDepth) {
piece = p;
move = m;
}
...是要录制片段并进行移动。我将此值记录在搜索树的顶层。碎片和移动代表算法认为最有效的碎片和移动。
当调用miniMax时，它看起来像这样：miniMax（searchDepth，false）。错误，因为黑色的AI最小。
这是我的方法
public int miniMax(int depth, boolean maxi) {
if(maxi) {
if(depth == 0) return evaluateBoard();
int max = -9999; //negative infinity
for(ChessPiece p : getPieces(maxi)) for(Vector2 m : p.getAllPotentialMoves()) {
PieceMovements.move(board, p, (int)m.x, (int)m.y);
max = Math.max(max, miniMax(depth-1, !maxi));
PieceMovements.undo();
if(depth == searchDepth) {
piece = p;
move = m;
}
}
return max;
} else {
if(depth == 0) return -evaluateBoard();
int min = 9999; //positive infinity
for(ChessPiece p : getPieces(maxi)) for(Vector2 m : p.getAllPotentialMoves()) {
PieceMovements.move(board, p, (int)m.x, (int)m.y);
min = Math.min(min, miniMax(depth-1, !maxi));
PieceMovements.undo();
if(depth == searchDepth) {
piece = p;
move = m;
}
}
return min;
}
}
和我的评估函数，此函数现在仅获取每件的相对件值并将它们相加：
public int evaluateBoard() {
int total = 0;
for(ChessPiece[] row : board)
for(ChessPiece piece : row)
if(piece != null)
switch(piece.getPiece()) {
case WPAWN:
case BPAWN:
total += RelativePieceValues.PAWN;
//a pawn about to be promoted takes on more value
if(piece.getPosition().y == 1 || piece.getPosition().y == 6)
total += 50; //50 + 10 = 60
break;
case WKNIGHT:
case BKNIGHT:
total += RelativePieceValues.KNIGHT;
break;
case WBISHOP:
case BBISHOP:
total += RelativePieceValues.BISHOP;
break;
case WROOK:
case BROOK:
total += RelativePieceValues.ROOK;
break;
case WQUEEN:
case BQUEEN:
total += RelativePieceValues.QUEEN;
break;
case WKING:
case BKING:
total += RelativePieceValues.KING;
break;
}
return total;
}
和RelativePieceValues类：
public class RelativePieceValues{
//piece value constants
public static final int PAWN = 10;
public static final int KNIGHT = 30;
public static final int BISHOP = 30;
public static final int ROOK = 50;
public static final int QUEEN = 90;
public static final int KING = 900;
}
[如果有任何疑问，请询问。谢谢您的任何答复，我已经坚持了一段时间。我想知道我的mini max算法或评估函数是否确实存在问题，或者您的程序中是否可能有其他您看不到的问题。谢谢。
如答案中所指出，您没有使用minimax函数的结果。以下是我使用Python开发的工作版本，希望您可以将其翻译为java :)
此人正在使用alpha-beta修剪来提高性能。
使用minimax函数的初始调用：
best_move, evaluation = minimax(board, 5, -math.inf, math.inf, True)
Minimax函数本身。 board.is_human_turn在棋盘类中用于确定玩家是谁。然后，我们获得了该玩家（该位置的子级）的所有可能动作。
然后，它检查我们是否达到了最大深度，或者该位置是否在游戏结束（绘制或检查配合）。
对于每个玩家（分别最大化和最小化），它遍及所有子代。它会制作板副本（不要与原始板一起更改），并在板上移动（一个孩子）。然后，它计算所有节点中的评估并返回最佳移动以及评估。
def minimax(board, depth, alpha, beta, maximizing_player):
board.is_human_turn = not maximizing_player
children = board.get_all_possible_moves()
if depth == 0 or board.is_draw or board.is_check_mate:
return None, evaluate(board)
best_move = random.choice(children)
if maximizing_player:
max_eval = -math.inf
for child in children:
board_copy = copy.deepcopy(board)
board_copy.move(child)
current_eval = minimax(board_copy, depth - 1, alpha, beta, False)[1]
if current_eval > max_eval:
max_eval = current_eval
best_move = child
alpha = max(alpha, current_eval)
if beta <= alpha:
break
return best_move, max_eval
else:
min_eval = math.inf
for child in children:
board_copy = copy.deepcopy(board)
board_copy.move(child)
current_eval = minimax(board_copy, depth - 1, alpha, beta, True)[1]
if current_eval < min_eval:
min_eval = current_eval
best_move = child
beta = min(beta, current_eval)
if beta <= alpha:
break
return best_move, min_eval
我的评估功能目前非常简单，仅考虑件值及其在板上的位置。例如，一个骑士最初价值320，然后根据其所在位置增加或减少。有关更多信息，请参见此链接：https://www.chessprogramming.org/Simplified_Evaluation_Function。
您还可以实施一本开幕书，这样您就可以在每个游戏中都有一个良好的开端，而不必花费时间来计算排名。
希望这会有所帮助！