尝试使用Alpha-Beta搜索实时游戏？

Question

Max搜索以及效率更高的α-Beta搜索算法是众所周知的，并且经常用于在诸如toe、connect 4等游戏中实现人工智能(AI)播放器。

虽然基于这些搜索算法的人工智能对于人类来说基本上是无与伦比的，如果他们能够遍历整个搜索树，但当由于指数增长而有太多的可能性时，这就变得不可行了(例如，在Go中)。

到目前为止，所有这些游戏都是基于转弯的。

然而，如果我们假设有足够的计算能力，难道不也可以将这些算法应用到实时策略(RTS)游戏中吗？理论上，这应该通过将时间离散成足够小的帧来工作，然后在每个时间戳上模拟所有可能的操作。

显然，搜索树很快就会爆炸。然而，我想知道是否有任何理论分析这种方法的实时游戏？甚至可能是使用非常简化和简化的RTS的实际调查？

问题：我正在寻找关于这个主题的参考资料(如果有的话)。

Answer 1

本文“实时视频游戏搜索”，Cowling等人，1998年，认为A*被广泛应用于电子游戏搜索。

这是Geisler的MS论文机器学习算法在第一人称射击游戏玩家行为建模中的实证研究，他主要使用ID3和boost算法来学习“财富”2级FPS玩家的专家士兵的行为，并将其整合到玩游戏的代理中。

网上也有其他类似的论文，但目前看来，它们大多使用各种机器学习算法，通过观察来学习行为，并将它们合并到某种agent中，而不是主要使用优化搜索。

从游戏应用的观察中学习人类行为，莫里亚蒂和冈萨雷斯，2009年，就是一个例子。