Connect4 AI的Minimax算法高深度异常问题求助

数据老陈

2026-8-1

核心问题分析与代码修正方案

一、核心问题拆解

1. 胜负判断的玩家棋盘完全搞反

在c4_minimax函数中，c4_check_win(bitboard[(move_count) & 1])的调用逻辑错误：

c4_make_move执行后，move_count已递增1，此时(move_count)&1对应的是下一个要走的玩家，而非刚落子的玩家。
正确的检查对象应为刚落子的玩家棋盘，即bitboard[(move_count - 1) & 1]。
这个错误导致递归函数无法识别当前落子是否获胜，本该返回极端分数（MAX_SCORE/MIN_SCORE）的场景被忽略，进而继续递归到depth=0返回0，AI无法区分必胜/必败路径。

2. 深度补偿逻辑方向完全错误

当前代码的深度调整逻辑与目标完全相悖：

Max玩家层返回max_eval - depth：会让更晚获胜的路径得分更高（比如depth=20时获胜返回MAX_SCORE-20，depth=30时获胜返回MAX_SCORE-30，前者分数更高），违背“尽快赢”的目标。
Min玩家层返回min_eval + depth：会让更早失败的路径得分更低（比如depth=20时失败返回MIN_SCORE+20，depth=30时失败返回MIN_SCORE+30，后者分数更高），违背“尽量晚输”的目标。

3. 高深度搜索节点数一致的原因

Connect4棋盘最多只能走42步（7×6），当设置的深度（40、50）超过剩余可走步数时，所有递归路径都会在到达depth=0前遇到终局（获胜或平局），因此不同高深度的搜索节点数自然一致。但由于前两个错误，这些终局状态未被正确识别和评分，导致AI无法区分走法优劣。

4. 缺少非终局评估函数

当前depth=0时直接返回0，没有对非终局状态进行评估。低深度时可能因为能搜索到终局而表现正常，但高深度下（即使修复前两个错误），如果未搜索到终局，AI无法区分走法好坏。

二、代码修正方案

1. 修正胜负判断的玩家棋盘

if(c4_check_win(bitboard[(move_count - 1) & 1])) { // 改为move_count-1，指向刚落子的玩家
    if(is_maximizing) {
        // 当前是Max层，刚落子的是Max玩家，判定获胜
        return MAX_SCORE; 
    }
    else {
        // 当前是Min层，刚落子的是Min玩家，Max玩家判定失败
        return MIN_SCORE;
    }
}

2. 修正深度补偿逻辑

// Max玩家层：更快获胜的路径得分更高，改为加depth
return max_eval + depth;

// Min玩家层：更晚失败的路径得分更高，改为减depth
return min_eval - depth;

3. 补充非终局评估函数

取消depth==0时返回0的注释，实现c4_evaluate()函数，对当前棋盘的优势进行量化评估（比如计算连子数量、潜在获胜路径、中心控制权重等），这样在未搜索到终局时，AI也能基于评估值选择更优走法。

4. 可选优化：终局分数直接加入深度补偿

为了更精准体现“尽快赢、尽量晚输”，可直接在终局返回时加入深度补偿，避免后续重复调整：

if(c4_check_win(bitboard[(move_count - 1) & 1])) {
    if(is_maximizing) {
        // Max玩家获胜，剩余depth越大，获胜越快，得分越高
        return MAX_SCORE + depth; 
    }
    else {
        // Max玩家失败，剩余depth越大，失败越晚，损失越小
        return MIN_SCORE - depth; 
    }
}

此时需去掉后续返回时的depth加减操作。

三、验证效果

修正后，低深度下AI表现保持正常，高深度下会正确识别必胜/必败路径，选择最优走法；高深度时搜索节点数仍会一致，但AI能基于正确评分选择走法，不会出现表现变差的情况。

内容的提问来源于stack exchange，提问作者adsf