代码参考自中国大学mooc上人工智能与信息社会陈斌老师的算法，我在原来的基础上增加了玩家输入的异常捕获 AlphaBeta剪枝算法是对Minimax方法的优化，能够极大提高搜索树的效率，如果对这个算法感兴趣的可以去参考相关资料。

python实现采用Alpha-Beta剪枝搜索实现黑白棋AI源码（人工智能期末作业）.zip 黑白棋 实验要求： 使用 『最小最大搜索』、『Alpha-Beta 剪枝搜索』 或 『蒙特卡洛树搜索算法』 实现 miniAlphaGo for Reversi（三种算法择一即可）。 使用 Python 语言。 算法部分需要自己实现，不要使用现成的包、工具或者接口。 Result： 实现 AIPlayer 类，采用 Alpha-Beta 剪枝搜索实现黑白棋 AI

基于python的AI五子棋实现（极大极小值搜索和alpha beta剪枝的实现与应用） 算法采用极大极小剪枝博弈算法。 运行环境：python3.6.5

这个是我们老师在上课时对alpha-beta剪枝的解释，个人觉得比较容易理解，因为在博客中无法上传视频，所以只能上传为资源了．对于这个视频我有相应的博客解释．

我们基于α-β剪枝人工智能方法的的中国象棋使用python实现，分为走法计算、评估函数与搜索和UI三部分，并采用历史启发算法进行优化，有着不错的效果。可以实现正常的人机对战，有着普通人的棋力，经过多轮测试，搜索五步的时候，电脑胜率达到80％左右。 （关于代码，my_chess.py里面是对可行走法的搜索，chinachess.py里面是象棋UI的实现，history_heuristic.py里面是历史启发算法优化部分，chess_constants.py是对棋盘、棋子基本单位的定义，my_game.py里面是Alpha-Beta算法的实现。） 我们的中国象棋使用python实现，分为走法计算、评估函数与搜索和UI三部分，并采用历史启发算法进行优化，有着不错的效果。可以实现正常的人机对战，有着普通人的棋力，经过多轮测试，搜索五步的时候，电脑胜率达到80％左右。 （关于代码，my_chess.py里面是对可行走法的搜索，chinachess.py里面是象棋UI的实现，history_heuristic.py里面是历史启发算法优化部分，chess_constants.py是对棋盘、棋子基本单位的定义，my_game.py里面是Alpha-Beta算法的实现。）

C# alpha-beta 剪枝五子棋AI 算法 查询算法还是很快的，棋力还不错

课程：CS4701 - 人工智能作业编号：2 姓名 : 舒蒂卡·达斯古普塔 目标：使用极小极大算法和 Alpha-Beta 剪枝优化黑白棋游戏。 为了实施 Minimax 算法，使程序在黑白棋游戏中与对手公平竞争，已经实施了以下功能，并使用以下启发式方法运行它们，以提高我的代理战胜随机代理的机会。 文件中的函数 get_move --> 该函数调用树中的各种函数，以便构建极大极小树。 --> 同样为了让它更快更有效地工作，我们正在实现对函数的调用，以便将深度作为参数传递，并取决于用户完成游戏并移动的剩余时间，深度不同在“2”和“3”之间变化 --> 游戏以两种模式运行，即 alpabeta 模式和 minimax 模式 minimax --> 这种方法很自然地应用了板状态的 minimaxtree 实现。 -->此方法调用 min_gameply() 最小值，以便对手玩家最小化其随机选

dev-c++开发的全鼠标操作控制台战棋，完整源代码，使用了最短路径算法，alpha-beta剪枝策略等，其中最后一版的战力相当可以，来尝试一下？

人工智能中，关于alpha－beta剪枝的简单实现。使用c＋＋语言在xcode中编译完成

java实现nimm游戏，用了apha beta剪枝+最大最小