HarmonyOS 小游戏《对战五子棋》开发第15篇 - Alpha-Beta剪枝优化：让AI思考更快

砍掉无用的搜索分支------Alpha-Beta剪枝让Minimax快一倍

设计截图如下：

为什么需要剪枝

Minimax搜索深度2、宽度12时，需要评估 12 × 8 = 96 个叶节点。如果深度增加到3，就是 12 × 8 × 8 = 768 个。指数增长很快就会让AI"思考"时间过长。

Alpha-Beta剪枝的核心思想：如果已经知道一个分支的结果不可能比另一个分支更好，就没必要继续搜索了。

Alpha和Beta的含义

Alpha：MAX层当前能保证的最大值（AI至少能拿到这么高的分）
Beta：MIN层当前能保证的最小值（对手最多让AI拿到这么低的分）

剪枝条件 ：beta <= alpha 时剪枝------当前分支不可能影响最终决策。

剪枝过程图解

复制代码

        MAX
       / |  \
     A   B   C
    / \ / \ / \
   3  5 2  ?  ?  ?

1. 评估A的子节点：min(3,5)=3 → A=3, alpha=3
2. 评估B的第一个子节点：2
   此时 beta=2, alpha=3
   beta(2) <= alpha(3) → 剪枝！B的第二个子节点不需要评估
   B=2
3. 评估C...

直觉理解：AI已经知道A分支能拿3分。搜索B分支时，发现对手能限制到2分。2 < 3，所以AI不会选B，B的剩余子节点不需要搜索。

代码中的剪枝

MAX层（AI回合）

typescript 复制代码

if (isMaximizing) {
  let maxEval: number = -Infinity;
  for (let i = 0; i < maxCandidates; i++) {
    // ... 落子、递归 ...
    maxEval = Math.max(maxEval, evalScore);
    alpha = Math.max(alpha, evalScore);  // 更新alpha
    if (beta <= alpha) break;            // 剪枝！
  }
  return maxEval;
}

MIN层（对手回合）

typescript 复制代码

else {
  let minEval: number = Infinity;
  for (let i = 0; i < maxCandidates; i++) {
    // ... 落子、递归 ...
    minEval = Math.min(minEval, evalScore);
    beta = Math.min(beta, evalScore);    // 更新beta
    if (beta <= alpha) break;            // 剪枝！
  }
  return minEval;
}

顶层调用的Alpha-Beta

typescript 复制代码

private getHardMove(board: number[][]): Move {
  let alpha: number = -Infinity;
  const beta: number = Infinity;

  for (let i = 0; i < maxCandidates; i++) {
    // ...
    const score = this.minimax(board, 2, alpha, beta, false);
    // ...
    alpha = Math.max(alpha, score);  // 更新alpha
  }
}

顶层beta保持Infinity（因为还没搜索完所有候选，无法确定上限），alpha随着搜索逐渐增大。

剪枝效果分析

场景	无剪枝	有剪枝	加速比
深度2，宽度12×8	96次评估	~48次评估	2x
深度3，宽度12×8×8	768次评估	~256次评估	3x
深度4，宽度12×8×8×8	6144次评估	~1024次评估	6x

最佳情况 ：剪枝后搜索量减少到原来的平方根。

最差情况：候选排序最差时，没有剪枝效果（但也不会更慢）。

候选排序对剪枝的影响

typescript 复制代码

private getSortedCandidates(board: number[][]): Move[] {
  // 按攻防评分从高到低排序
  scored.sort((a: ScoredMove, b: ScoredMove) => b.score - a.score);
  return scored.map((s: ScoredMove) => s.move);
}

排序越好，剪枝越多。因为高价值候选先搜索，alpha快速增大，后续低价值候选更容易被剪掉。

这就是为什么困难模式要用getSortedCandidates而非getCandidates------排序是为了让Alpha-Beta剪枝更有效。

实际调试中的思考时间

在本项目中，困难模式的AI在移动端模拟器上的响应时间约200-500ms：

搜索 12 × 8 = 96 个局面（理论值）
剪枝后约 40-60 个实际评估
每个评估约5ms（全盘扫描4个方向）

这个延迟在用户体验上是可以接受的（配合400ms的setTimeout延迟，看起来像AI在"思考"）。

总结

Alpha-Beta剪枝是Minimax的标准优化：

原理简单：alpha和beta两个变量维护搜索边界
效果显著：最佳情况下搜索量减少到平方根
依赖排序：候选排序越好，剪枝效果越好
零风险：剪枝不影响最终结果，只减少搜索量

没有Alpha-Beta的Minimax在移动端几乎不可用，而加上剪枝后，深度2-3的搜索可以流畅运行。