Connect4游戏Minimax算法运行卡顿问题排查求助

核心问题：代码逻辑错误导致的异常卡顿 #

你的代码存在几个关键错误，这些错误不仅会导致卡顿，还会让Minimax算法逻辑完全失效，必须先修复这些问题：

1. 二维棋盘的浅拷贝错误 #

temp = board.copy()是浅拷贝，对于二维数组来说，内部的每行列表还是引用原数组的对象，修改temp会直接改变原board的状态，导致递归过程中搜索树的状态混乱，计算量暴增且逻辑错误。

修复方案：使用copy.deepcopy来创建独立的棋盘副本：

import copy
# ...
temp = copy.deepcopy(board)

2. 全局实例变量self.evals的滥用 #

self.evals是实例级变量，递归调用的所有层级都会共享这个变量，不同分支的评估值会互相覆盖，导致计算出的评估值完全错误。

修复方案：在minimax_c4方法内部创建局部变量来存储当前节点的评估值，而不是依赖全局的self.evals：

def minimax_c4(self, board, computer, move):
    # ... 其他代码 ...
    # 初始化当前节点的评估列表，而不是用self.evals
    current_evals = []
    for column in range(len(board[0])):
        if self.emptyCol(board, column):
            current_evals.append(None)  # 可落子的列
        else:
            current_evals.append(0)    # 满列，无价值
    # ... 后续逻辑改用current_evals ...

3. 不必要的clearBoard调用 #

因为之前用了浅拷贝，你试图用clearBoard还原原棋盘，但这完全是错误的操作——如果用深拷贝创建独立的temp，修改temp不会影响原board，所以这个方法完全不需要，应该删除相关调用。

4. chooseMove方法的逻辑错误 #

方法中if (ev > max)是把列索引和评估值比较，这会导致无法正确选择最大价值的移动，应该改为比较评估值：

if self.evals[ev] > max:
    max = self.evals[ev]
    index = ev

是否需要alpha-beta剪枝？ #

修复上述代码错误后，Minimax算法可以正常运行，但Connect4的状态空间非常庞大（约4.5×10¹⁰种可能状态），在棋盘初期（空位较多时），纯Minimax仍然会非常慢，甚至无法在合理时间内完成计算。此时alpha-beta剪枝是必要的优化，它可以大幅减少需要搜索的节点数量，让算法在合理时间内运行。

但如果是棋盘后期（剩余空位较少，比如少于10个），纯Minimax可以快速计算出结果。

内容的提问来源于stack exchange，提问作者soapeater