[論文レビュー] A Minimax Algorithm Better than Alpha-Beta? No and Yes

Arie de Bruin, Aske Plaat+2 more|arXiv (Cornell University)|Jan 1, 1995

Artificial Intelligence in Games参考文献 41被引用数 8

ひとこと要約

この論文は、S*を転置テーブルを備えた強化されたアルファベータ探索として再定式化することで、S*をアルファベータ探索に加えた転置テーブルと同等であることを証明している。また、反復深化を用いる固定深さのゲーム木探索において、従来のミニマックス法を上回る性能を示す新しいベストファースト探索アルゴリズムMTD(f)を導入している。実験的結果に基づき、トーナメント級ゲームプログラムでの評価がなされている。

ABSTRACT

This paper has three main contributions to our understanding of fixed-depth minimax search: (A) A new formulation for Stockman's SSS* algorithm, based on Alpha-Beta, is presented. It solves all the perceived drawbacks of SSS*, finally transforming it into a practical algorithm. In effect, we show that SSS* = alpha-beta + ransposition tables. The crucial step is the realization that transposition tables contain so-called solution trees, structures that are used in best-first search algorithms like SSS*. Having created a practical version, we present performance measurements with tournament game-playing programs for three different minimax games, yielding results that contradict a number of publications. (B) Based on the insights gained in our attempts at understanding SSS*, we present a framework that facilitates the construction of several best-first fixed- depth game-tree search algorithms, known and new. The framework is based on depth-first null-window Alpha-Beta search, enhanced with storage to allow for the refining of previous search results. It focuses attention on the essential differences between algorithms. (C) We present a new instance of the framework, MTD(f). It is well-suited for use with iterative deepening, and performs better than algorithms that are currently used in most state-of-the-art game-playing programs. We provide experimental evidence to explain why MTD(f) performs better than the other fixed-depth minimax algorithms.

研究の動機と目的

• アルファベータ探索に転置テーブルを組み合わせた再定式化により、S*アルゴリズムの長年の実用的限界を解消すること。
• 深さ優先のヌルウィンドウアルファベータ探索と結果の精錬を根幹とする、ベストファースト固定深さゲーム木探索アルゴリズムを統合的に構築するフレームワークの構築。
• 提案されたフレームワーク内に位置する、従来の手法を上回る性能を示す新しいアルゴリズムMTD(f)を導入し、その評価を行うこと。
• 文献に記されたS*とアルファベータ法の性能に関する従来の主張に反する実験的結果を提示することで、それらの仮定を疑うこと。

提案手法

• S*をアルファベータ探索に拡張した形で再定式化し、転置テーブルがベストファースト探索で用いられる解の木を本質的に維持していることを示した。
• 深さ優先のヌルウィンドウアルファベータ探索をコアエンジンとし、過去の探索結果を精錬・更新するための記憶領域を拡張した。
• 結果の精錬とノード順序付けに注目することで、ベストファーストアルゴリズム間の主要な差異を抽象化するフレームワークを提案した。
• 反復深化と転置テーブルの再利用を活用して探索効率を向上させるべく、MTD(f)をフレームワーク内に新たなアルゴリズムとして設計した。
• トーナメントレベルのゲームプログラムを用いて、3つの異なるミニマックスゲームにおいてMTD(f)および他のアルゴリズムを実装・ベンチマークした。
• 転置テーブルをメモ化のためのツールとしてではなく、深さ優先の枠組みでベストファースト動作を可能にする構造的要素として活用した。

実験結果

リサーチクエスチョン

• RQ1 S*は、アルファベータ探索と転置テーブルに基づく再定式化によって、実際に実装可能になるか？
• RQ2 ベストファースト固定深さ探索アルゴリズム同士を区別する構造的およびアルゴリズム的要素は何か？
• RQ3 提案されたフレームワークから導出されたMTD(f)は、実際のゲームプレイ環境における既存のミニマックスアルゴリズムと比べて、性能で優れているか？
• RQ4 なぜ、S*がアルファベータ法を上回るとされた従来の主張が、現代の実装を用いた実証的評価では成り立たないのか？
• RQ5 反復深化は、他の固定深さアルゴリズムと比較して、MTD(f)の性能をどの程度向上させるか？

主な発見

• 適切に実装された場合、S*はアルファベータ探索に転置テーブルを加えたものと機能的に同等であり、これによりその従来の実用不可能性が解消された。
• 本研究のフレームワークは、結果の精錬と転置テーブルの使用に注目することで、既知のおよび新しいベストファースト探索アルゴリズムを統合的かつ一般化的に扱えるようになった。
• 3つの異なるゲームにおいて性能ベンチマークを実施した結果、MTD(f)は従来のアルファベータ法および他の固定深さアルゴリズムを一貫して上回った。
• MTD(f)の性能優位性は、転置テーブルの効率的活用と反復深化による、より良い手順の順序付けと結果の再利用に起因する。
• 実証的結果は、S*がアルファベータ法を上回るとされた従来の出版物の主張を覆し、実際にはMTD(f)が両者を凌駒することを示した。
• 転置テーブルは最適化のためのツールにとどまらず、深さ優先フレームワークでベストファースト動作を可能にするための本質的な構造的要素である。