Einführung in die Methoden der Künstlichen Intelligenz - Goethe ...

2.4 Suche in Spielbäumen
Im Falle des Zugzwangs vergrößert das den Suchraum nicht, aber erhöht die Vorausschau
Die Implementierung dieser Idee ist eine wichtige Erweiterung der Suchmethoden in
Programmen zu strategischen Spielen.
Folgendes Vorgehen ist üblich: es gibt mehrere Durchgänge:
1. normale Bewertung
2. Erkennen aller besonderen Züge:
3. Alle auffallenden Züge dürfen um 1 weiter expandieren.
Effekte:
• Die Suche kann instabil werden:
ob ein Zug auf Ebene n als interessant auffällt, kann davon abhängen, wie tief die
Suche unterhalb dieses Knotens im Baum ist.
• Der Suchraum kann beliebig wachsen, falls man mehrere Durchgänge macht: jeweils
ein anderer Knoten wird als wichtig erkannt.
• Durch die tiefere Suche kann ein guter Zug wieder schlechter bewertet werden.
2.4.2 Mehr als 2 Spieler
In diesem kurzen Abschnitt werden wir erläutern, warum die Min-Max-Methode (analog
die Alpha-Beta-Suche) bei Spielen mit mehr als 2 Spielern nicht mehr funktioniert. Wir
geben keine Lösungen für diese Spiele an, da die Verfahren komplizierte und aufwändig
sind und in der Literatur nachgelesen werden können.
Wir betrachten ausschließlich Spiele mit drei Spielern (sagen wir S 1 , S 2 und S 3 ), wobei
alle Spieler nacheinander ziehen. Zur Blattbewertung macht es in diesem Fall keinen Sinn
einen einzigen Wert zu verwenden, daher benutzen wir ein Drei-Tupel (Ergebnis für S 1 ,
Ergebnis für S 2 , Ergebnis für S 3 ). Jede Komponente stellt das Ergebnis aus Sicht des Spieler
dar. Zunächst scheint das Min-Max-Verfahren einfach übertragbar: Jenachdem welcher
Spiel an einem Knoten am Zug ist, wird entsprechend seiner Komponente maximiert.
Betrachte z.B. den Spielbaum:
Spieler S 1
Spieler S 2
Spieler S 3
(1,2,0) (0,1,3) (1,0,4) (0,1,2) (3,0,2) (4,0,1) (1,3,2) (0,2,0)
M. Schmidt-Schauß & D. Sabel, Skript KI, WS 2012/13 65 Stand: 19. Oktober 2012