計算機博弈（也稱機器博弈），是乙個挑戰無窮、生機勃勃的研究領域，是人工智慧領域的重要研究方向，是機器智慧型、兵棋推演、智慧型決策系統等人工智慧領域的重要科研基礎。機器博弈被認為是人工智慧領域最具挑戰性的研究方向之一。
機器博弈的核心技術是博弈搜尋演算法
零和博弈（zero-sum game），又稱零和遊戲，與非零和博弈相對，是博弈論的乙個概念，屬非合作博弈。指參與博弈的各方，在嚴格競爭下，一方的收益必然意味著另一方的損失，博弈各方的收益和損失相加總和永遠為「零」，雙方不存在合作的可能。
也可以說：自己的幸福是建立在他人的痛苦之上的，二者的大小完全相等，因而雙方都想盡一切辦法以實現「損人利己」。零和博弈的結果是一方吃掉另一方，一方的所得正是另一方的所失，整個社會的利益並不會因此而增加一分。
最單純的極大極小演算法
局面估價函式：我們給每個局面（state）規定乙個估價函式值 f，評價它對於己方的有利程度。勝利的局面的估價函式值為 +oo，而失敗的局面的估價函式值為–oo。
max 局面：假設這個局面輪到己方走，有多種決策可以選擇，其中每種決策都導致一種子局面（sub-state）。由於決策權在我們手中，當然是選擇估價函式值 f 最大的子局面，因此該局面的估價函式值等於子局面 f 值的最大值，把這樣的局面稱為 max 局面。
min 局面：假設這個局面輪到對方走，它也有多種決策可以選擇，其中每種決策都導致一種子局面（sub-state）。但由於決策權在對方手中，在最壞的情況下，對方當然是選擇估價函式值 f 最小的子局面，因此該局面的估價函式值等於子局面 f 值的最小值，把這樣的局面稱為 max 局面。
終結局面：勝負已分（假設沒有和局）
假如有如上圖的博弈樹，設先手為 a ，後手為 b ；則 a 為 max 局面，b 為 min 局面。上圖中 a 一開始有 2 種走法（ w2 和 w3 ，w表示結點記號），它走 w2 還是 w3 取決於 w2 和 w3 的估價函式值f()，因為 a 是 max 局面，所以它會取 f(w2) 和 f(w3) 中大的那個，f(x) 怎麼求呢？通常是以遞迴的方式對博弈樹進行搜尋，我們通常可以設定葉子結點局面的估價值。
例如上圖的搜尋過程為 w1 --> w2 --> w4 ，然後回溯到 w1 --> w2 得到 f(w2) = 3 ，接著 w1 --> w2 --> w5 得到 f'(w2) = 1，因為 w2 在第二層，是 min 局面，所以它會選擇得到的結果中小的那個，即用 f'(w2) 替代 f(w2) ，即 f(w2) = 1，接著 w1 --> w2 --> w6 得到 f'(w2) = 6 > f(w2) ，直接忽略。因此如果 a 往 w2 走的話將會得到乙個估價值為 f(w2) = 1 的局面；類似地，如果往 w3 走的話將會得到乙個估價值為 f(w3) = -3 的局面。而 a 是 max 局面，所以它會選擇估價值大的走法，f(w2) = 1 > f(w3) = -3，因此它下一步走 w2。
偽**表示為：
// player = 1 表示輪到己方， player = 0 表示輪到對方
// cur_node 表示當前局面(結點)
maxmin(player, cur_node)
具體來說就是這樣，舉個例子：
如果下圖是某問題所產生的一顆博弈樹，先手 a 為己方，後手 b 為對方。
通過前面所述的方法，如果 a 走 w2 則可以得到這樣的結果：
alpha 初始值為 -oo，beta 初始值為 +oo；w1 在得到 f(w1) = 6 的整個過程中， alpha 和 beta 是這樣變化的：w1 --> w2 -- > w5 得到 f'(w2) = 6 < f(w2) = +oo，即修改 f(w2) = f'(w2) = 6；同時修改 beta = 6 (因為 w2 的子局面是否需要剪枝依賴於 w2 的估價值 f()，而與 alpha 無關，故不需修改 alpha)。在正常搜尋完 w1 --> w2 --> w6 後， w2 層把 beta = 6 返回給上一層 w1 的 alpha，即 w1 層的 alpha = 6，beta = +oo。
偽**表示為：
// player = 1 表示輪到己方， player = 0 表示輪到對方
// cur_node 表示當前局面(結點)
maxmin(player, cur_node, alpha, beta)
博弈（alpha-beta 剪枝）—— poj 1568 find the winning move
博弈（alpha-beta 剪枝）poj —— 1085 ******** war
搜尋 博弈,極小化和極大化
這篇部落格要討論乙個問題,就是如何讓計算機下棋?有如下三種形式 1.同人類的做法一樣,分析局勢,和將帥的安全性,這裡會有一些分析策略,還有一些戰術,這些混合在一起,最終得到下一步要走哪.不過很遺憾的是,如今的程式都不知道如何包含這類東西.2.使用 if then 結構 以這種結構,如果第一步走什麼,...
極大極小搜尋
極大極小搜尋演算法 用於圍棋，五子棋，象棋等棋類，結果有三種可能 勝利 失敗和平局。理論上可以窮舉所有的走法，這就需要生成整棵博弈樹。實際上不可行。因此搜尋時可以限 定博弈樹的深度，到達該深度則不再往下搜，相當於只往前看 n 步。如果題意是求出必勝，必敗，必和等，那麼肯定是全部搜完整一棵搜尋樹，此題...
極大極小博弈樹 轉）
2008年11月15日 星期六 11 03 這篇文章將介紹一種對於所有的gameai 遊戲智慧型 開發來說都非常重要的資料結構。對於幾乎每乙個棋類博弈遊戲程式來說，極大極小樹 the minimax tree 都是其中的核心。極大極小博弈樹 minimax game tree,簡寫為mgt，譯者注 ...