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

2 Suchverfahren
A
Bewertung 1 0.7 ∗ 1 + 0.3 ∗ 20 < 0.1 ∗ 2 + 0.9 ∗ 8
Bewertung 2 0.7 ∗ 1 + 0.3 ∗ 20 > 0.1 ∗ 3 + 0.9 ∗ 6
Damit ist einmal der linke, einmal der rechte Erwartungswert größer. D.h. einmal ist B,
einmal A zu bevorzugen.
D.h., die Bewertungsfunktion muss auch von den Werten her vorsichtig definiert werden.
Beim Backgammon wäre die richtige Intuition: die Anzahl der benötigten Züge bis
alle Steine das Ziel erreicht haben. Diese ist aber vermutlich schwer zu schätzen, da der
Spielbaum viel zu groß ist.
Maximum
A zieht
B
E
B würfelt
Minimum
B zieht
E
A würfelt
p1 p2 p3
Maximum
A zieht
Bewertungen
Bei Vorausschau mit Tiefe 2 wird der Baum der Möglichkeiten aufgebaut. Die Blätter
werden bewertet. Im Bild sind es die Situationen nach einem Zug von A. Man maximiert
über die Geschwisterknoten und erhält den besten Zug. Im nächsten Schritt nach oben berechnet
man den Erwartungswert für den Wert des besten Zuges. Geht man weiter nach
oben, ist das gleiche zu tun für gegnerische Züge und Würfeln, wobei man minimieren
muss. An der Wurzel ist das Würfelergebnis bekannt, so dass man als besten Zug denjenigen
mit dem höchsten Erwartungswert ermittelt.
Hat man eine gute Bewertungsfunktion, dann kann man die Minmax-Suche verbessern
durch eine Variante der Alpha-Beta-Suche. Diese Optimierung spielt allerdings in der
Praxis keine so große Rolle wie in deterministischen Spielen, da der Spielbaum i.a. viel
zu groß ist, um mehrere Züge voraus zu schauen.
Stand: 19. Oktober 2012 68 M. Schmidt-Schauß & D. Sabel, Skript KI, WS 2012/13