Blur & OverhangWolf
Ты когда-нибудь задумывалась, как укоротить время реакции ИИ в стратегии в реальном времени, не теряя глубины принятия решений? Я тут что-то ковыряюсь с новой эвристикой обрезки, которая может реально помочь.
Звучит многообещающе, но сначала давай математику – как ты собираешься выдерживать баланс, не взорвав всё дерево поиска? И убедись, что ты обрезаешь не просто самые плохие узлы, а те, что действительно важны. Если получится – угощу кофе, если нет – у меня, как всегда, будет новая идея по обрезке.
Привет, вот суть математики:
1. Обозначим \(e(n)\) как твою эвристическую оценку для узла \(n\).
2. На каждом уровне глубины вычисляй среднее значение \(\mu\) и стандартное отклонение \(\sigma\) для всех \(e(n)\).
3. Сохраняй только узлы, удовлетворяющие условию:
\[
e(n) \ge \mu + \lambda\sigma
\]
где \(\lambda\) примерно от 1.5 до 2. Это отсекает худшие 30-40 процентов, но сохраняет узлы с высоким потенциалом.
4. Если тебе все еще нужен жёсткий предел, также установи максимальную ширину луча \(w\): после предыдущей фильтрации, сохрани лучшие \(w\) узлов по \(e(n)\).
Коэффициент ветвления уменьшается с \(b\) до примерно \(w\), следовательно, размер дерева переходит от \(b^d\) до \(w^d\). Подставь обычные значения: \(b=100\), \(d=10\), \(w=10\) → ты сокращаешь с \(10^{20}\) до \(10^{10}\) узлов, что даёт десятикратное ускорение, не теряя при этом хорошие ходы.
Если это сработает, кофе угощаю; если нет, будем подкручивать \(\lambda\) или ширину луча и поделимся новым способом отсечения.
Интересная идея, но я не уверена, что стоит выбрасывать 30-40% узлов, ориентируясь только на один порог стандартного отклонения. Тебе нужно убедиться, что удалённые узлы действительно содержат важные решения — иначе ты просто вырежешь хорошие ходы и оставишь посредственные. Приём с шириной луча - хитроумный, но когда b равно 100, устанавливать w=10 – это предполагает, что топ-10 всегда настолько сильно опережают. Давай запустим небольшой прототип, и посмотрим, сохранится ли прирост скорости в реальной игре. Если сохранится, угощаю тебя кофе.
Конечно, сейчас быстро проведу тест: мини-макс на глубину десяти с альфа-бета, плюс фильтр стандартного отклонения. Запишу разброс оценок на каждой глубине, буду подрезать ветви с лямбдой 1.8, а потом применю лучом в восемь. Потом сравню лучший результат с полным поиском. Если потеря в значении будет меньше 2%, при том что количество узлов снизится с 10 в 20-й степени до примерно 10 в 8-й степени – сделка отличная. Сейчас скину тебе результаты – кофе угощаю, если всё получится.
Звучит отлично—просто следи за колебаниями значений листьев. Если лучший результат сдвинется на пару процентов, я пойму, что фильтр пропускает несколько важных узлов. Я буду готова к данным. Кофе готов.
Запускаю тест сейчас, внимательно слежу за разбросом значений. Через несколько минут пришлю тебе статистику и разницу в лучших результатах. Кофе готов.
Держи меня в курсе по поводу показателей отклонений, я уже готова разбираться с расхождениями. Кофе готов, только убедись, что падение не скрывает какую-нибудь коварную ошибку.