AI井字棋Minimax算法代码疑问及原理咨询

问题1：代码设计逻辑及返回值大于负无穷的原因 #

这段代码是Minimax算法中最大化/最小化玩家的初始状态初始化逻辑：

• 当当前玩家是max_player（即要最大化得分的玩家，比如AI自身）时，初始化best的分数为-math.inf（负无穷）。这是因为max_player需要在所有可能的落子中选择得分最高的选项，负无穷是最小的可能值，任何合法的后续得分都会比它大，确保第一次比较时就能更新best的分数。
• 当当前玩家是对手（min_player，要最小化得分的玩家）时，初始化best的分数为math.inf（正无穷）。同理，min_player要选得分最低的选项，正无穷是最大的可能值，任何合法后续得分都会比它小，保证第一次比较就能更新。

至于返回值大于初始负无穷的原因：
Minimax递归会一直走到游戏终止状态（某玩家获胜、平局），此时会返回具体的得分（比如获胜得+10、失败得-10、平局得0），这些得分都远大于-math.inf。递归回溯时，每一层的玩家都会基于子节点的得分更新best的分数，最终返回的是经过筛选后的实际游戏得分，必然大于初始的负无穷值。

问题2：传入other_player的设计原因及是否需要max_player #

传入other_player是为了实现玩家交替落子的模拟：
Minimax算法的核心是模拟双方轮流决策的过程，当前玩家走完一步后，下一个决策的是对方玩家，所以递归调用时需要切换为other_player，让下一层递归处理对方的回合。

不需要额外传入max_player的原因：
max_player是整个算法的固定参考（比如AI自身就是max_player），在递归的每一层中，只需要对比当前player和max_player，就能判断当前是最大化层还是最小化层，进而执行对应的选优逻辑（选最大分/最小分）。max_player通常是在Minimax函数的入口处就确定的，不需要在递归中重复传递。

问题3：Minimax算法的递归运行机制 #

结合井字棋场景，递归运行流程如下：

1. 初始调用：从当前真实棋盘状态出发，以AI（max_player）作为当前玩家调用Minimax函数。
2. 遍历合法落子：当前玩家遍历棋盘上所有空位置，对每个位置模拟落子，生成新的棋盘状态。
3. 递归进入下一层：将新棋盘状态和对方玩家（other_player）传入Minimax，让对方玩家进行决策。
4. 终止条件判断：当递归到终止状态（棋盘满、某玩家连成三子）时，根据结果返回对应得分：
   • AI获胜：返回+10
   • 人类玩家获胜：返回-10
   • 平局：返回0
5. 回溯选优：
   • 若当前是max_player层：从所有子节点的得分中选最大的那个，作为当前落子的得分，同时记录对应的落子位置。
   • 若当前是min_player层：从所有子节点的得分中选最小的那个，作为当前落子的得分。
6. 返回结果：最终递归回溯到初始调用层，返回AI的最优落子位置和对应得分。

内容的提问来源于stack exchange，提问作者d2w3t