對於a，反面收益將大於正面收益：max正 = max反 ; min正 < min反如果兩個參與者，策略有限個，我們或許還能畫出這支付矩陣，但如果參與者很多？這時候就不能簡單畫支付矩陣，然後乙個個分析了，必要的引入符號表示。但對於b而言，正面收益將比反面大：max正 > max反 ; min正 = min反
參與者集合n ，策略集合 s，支付函式p，簡記：[n , , ]
以硬幣遊戲為例，我們採取策略的過程中，每個參與者分別比較了在每種策略下的最大收益和最小損失，才做出了選擇。
在我們之前的案例中，雙方是同時採取策略的，並沒有先後順序。如果雙方有順序的話，比如a優先考慮到當前的最大收益，肯定採取擁有最大收益的策略，而輪到b時，b也會時自己收益最大，由於是零和博弈，所以b的收益越大，a的損失就越大，結果就如下：
所以maxmin演算法呢，min是指旗下所有可能選擇中產生的最小收益（損失最大），max指的是旗下所有選擇中最大的收益（損失最小）；所以最後的結果是a反面，b出正面
α-β剪枝演算法引用了兩個引數（α，β）來代表（max，min），並且初始的時候max=-∞，min=+∞。
因為需要對max更新，乙個數和max比較，比max大就更新max，如果你max初值不為-∞，如果出現比你初值還小的max，你就沒法更新。min也同理。現在我們採用深度優先搜尋的順序對博弈樹展開搜尋
這樣搜尋在深度不深的時候也是可行的，但是深度一深，就會有**的搜尋量。α-β剪枝演算法主要就是減去一些沒有必要搜尋的旁枝，那麼什麼樣的旁枝是沒必要搜尋的呢？
在α-β剪枝演算法中，並不是這樣直接傳遞引數的，它用了兩個引數（α，β）來傳遞（max，min）引數，我們可以思考之前的過程：
雖然上面那樣也是可以剪枝的，我們採用的引數傳遞是α傳到β，β傳到α，但是這實際上並沒有同時使用兩個引數。真正的α-β剪枝演算法採用的是α傳到α，β傳到β，剪枝比較的時候，就用α和β進行比較。我們之前是α傳到β，然後β和待更新值比較，真正的α-β剪枝演算法相當於把傳遞的比較值儲存在了不更新的那個引數上：
memset各型別的極大極小值
include int main 較 的原則 加法不爆。極大值 0x7f 較大值 0x3f 較小值 0xc0 極小值 0x80 較 的原則 加法不爆。極大值 0x7f 較大值 0x3f 較小值 0xc0 極小值 0x80 較 的原則 保證一定位精度。7f以上一直到be都是 0 實際上是乙個很小的 1...
python取數作為臨時極大值（極小值）
程式設計中有時候需要乙個初始極大值 或極小值 作為temp，當然可以自定義設定為10000 whatever 不過python中有乙個值可以代替之 在python2.7中可以用這個 不過python3版本就沒得了 import sys sys.maxint 2147483647還可以利用numpy庫...
對人工智慧中「極大極小值」的博弈演算法的資料整理。
對人工智慧中 極大極小值 的博弈演算法的資料整理。1.極大極小演算法被廣泛應用於計算機的棋類遊戲中。不被用於打牌。因為計算機無法看到對手的牌，就很難做出 在棋類遊戲中，雙方的棋子都是明確的，所以計算機可以通過類似深度優先搜尋 遞迴 的方法來求解。也就是the minimax tree。為了優化演算法...