寫在前面
本文爲個人手記，是對設計各種【極小化極大算法類型博弈遊戲】的設計思路的一個白話總結。
開始自言自語
由於象棋的步數比較多，走法也比較多，所以無法把所有走法都枚舉。
只能在給定的棋局裏面，遍歷可能的走法，遍歷的深度會受限於計算力，所以通常都會固定爲7層或者14層（根據算力決定）。
然後利用極小化極大算法，再7步裏面找出評分最高的那一步。（評分規則決定了算法的智慧程度，這種評分一般都由象棋高手給出指標來計算評分。）
然後我們不停的利用這個算法引擎來決定象棋的整個對弈過程，直到某一次算計。
說回來，評分規則決定了算法的智慧程度，這種評分一般都由象棋高手給出指標來計算評分。
這個象棋高中的指標如果能夠準確預測到敵人的下法，那麼就無敵了，如果無法準確預測到敵人的下法，那麼用於指導下棋的極小化極大算法將顯得很雞肋了。（至少要求評分指標都是可靠的，如果指標不可靠，那麼評分將很難對下棋起到指導作用。）
蒙特卡洛搜索樹，也是一顆極小化極大樹，只不過他通過減少廣度搜索範圍，提高搜索深度，從而提高智慧程度，很像人的思維。如果再給他一套AI寫的評分規則，將會出現很恐怖的事情。
假定在國際象棋中，你知道對手是個業餘愛好者（數學家會說，你的對手使用的是混合策略）。哈哈哈哈混合策略。混合策略是一種假定對手很差，並使用激進評分的策略。
而真正的極小化極大是保守策略，他假定對方是高手。
阿法狗就有點類似混合策略。
蒙特卡洛搜索樹： 利用一個正太分佈算法隨機指導深度遍歷模擬遊戲進行，然後將模擬的數據用於統計分析，以此來決定怎麼剪枝。這是一種利用統計學和隨機數的剪枝方法，利用大大提高搜索深度。深度越深，越接近答案，雖然會增加變數，顯得很激進。但是很適合應對混合策略的人類。