Alpha-Beta剪枝

Alpha-Beta 同“MinMax”非常相似， 區別主要在於 MinMax 執行時要檢
查整個博弈樹，然後儘可能選擇最好的線路。 Alpha-Beta 則是在MinMax的基礎上把一些不必要的分支剪去，加快搜索速度。

Alpha-Beta 是在搜尋中傳遞兩個值：

1. Alpha:搜尋到的最好值。
2. Beta:對於對手來說最壞的值。

搜尋過程中Alpha,Beta有以下三種關係情況：

1. 評估值小於Alpha:剪枝。因為對我方來說，當前局面的評估值小於Alpha將不可能產生更好的情況，對局面不可能有提升，因此對剩餘的合法著法沒有必要再搜尋。
2. 評估值大於Beta
   :j剪枝。在對手看來，他總是會找到一個對策比 Beta對應的情況更好。如果當前局面的評估值大於 Beta，那麼整個結點就作廢了， 因為對手不希望走到這個局面，而它有別的著法可以避免到達這個局面，因此剩下的合理著法沒有必要再搜尋。
3. 評估值大於 Alpha 但小於 Beta：保留該著法，可以考慮該著法。

置換表 + Zobrist 鍵值 + 迭代加深

使用“Zobrist 鍵值”來唯一記錄棋盤的資訊。

這個可以利用 python-chess 來完成，用這個鍵值來代表某一個確定的局面。從搜尋中得到結果後，要儲存到置換表中，主要為了避免重複工作。

使用迭代加深技術來搭配置換表。

有一開始只搜尋一層，如果搜尋的時間比分配的時間少，那麼搜尋兩層，然後再搜尋三層，等等，直到用完時間為止。這足以保證很好地運用時間了。
如果可以很快搜索到一個深度，那麼在接下來的時間可以搜尋得更深，或許可以完成。
如果局面比想象的複雜，那麼不必搜尋得太深，但是至少有合理的著法可以走了，因為不太可能連 1 層搜尋也完不成。
在置換表的基礎上進行迭代加深搜尋，很多局面都可以直接從置換表中得到，從而加快搜索速度。

空著向前裁剪

空著向前裁剪(Null-Move Forward Pruning)，運用可能忽視重要路線的
冒險策略，使得國際象棋的分枝因子銳減，它導致搜尋深度的顯著提高，因為大多數情況下它明顯降低了搜尋的數量。它的工作原理是裁剪大量無用著法而只保留好的。
在搜尋著法以前(事實上在你生成著法以前)，做一個減少深度的搜尋，讓對手先走，如果這個搜尋的結果大於或等於 Beta，那麼簡單地返回 Beta而不需要搜尋任何著法。這個思想就給了對手出擊的機會，如果你的局面仍然好到超過 Beta 的程度，就假設如果你搜索了所有的著法也會超過 Beta。

這個方法能節省時間的原因是，開始時用了減少深度的搜尋。深度減少
因子稱為 R，因此跟用深度 D 搜尋所有的著法相比，現在你是先以 D - R 搜
索對手的著法。一個比較好 R 是 2，如果你要對所有的著法搜尋 6 層，你最
終只對對手所有的著法搜尋了 4 層

靜態搜尋

國際象棋中會有很多強制的應對。如果有人用馬吃掉我們的象，那麼我
們最好吃還他的馬。Alpha-Beta 搜尋不是特別針對這種情況的。 我們把深度引數傳遞給函式，當深度到達零就做完了，即使一方的後被捉。

靜態搜尋就是一個應對的方法。當 Alpha-Beta 用盡深度後，通過呼叫靜態搜尋來代替呼叫“Evaluate()”。這個函式也對局面作評價，只是避免了
在明顯有對策的情況下看錯局勢。

簡而言之，靜態搜尋就是應對可能的動態局面的搜尋。
典型的靜態搜尋只搜尋吃子著法。這會引發一個問題，因為在國際象棋中吃子通常不是強制的。如果局勢很平靜，而且我們面對的吃子只有 QxP(後吃兵，導致丟後)，我們不會強迫後去吃兵的，所以靜態搜尋不應該強迫吃子。
因此，走子一方可以選擇是吃子還是不吃子。

如果評價好得足以截斷而不需要試圖吃子時，就馬上截斷(返回 Beta)。
如果評價不足以產生截斷，但是比 Alpha 好，那麼就更新 Alpha 來反映靜態評價。然後嘗試吃子著法，如果其中任何一個產生截斷，搜尋就中止。可能它們沒有一個是好的，這也沒問題。
這個函式有幾個可能的結果：

1. 可能評價函式會返回足夠高的數值，使得函式通過 Beta 截斷馬上返回
2. 可能某個吃子產生 Beta 截斷
3. 可能靜態評價比較壞，而任何吃子著法也不會更好
4. 可能任何吃子都不好，但是靜態評價只比 Alpha 高一點點