10月学习笔记1

unity数字地球

https://blog.csdn.net/qq_34593985/article/details/110633018

http://cntchen.github.io/2016/05/09/%E5%9B%BD%E5%86%85%E4%B8%BB%E8%A6%81%E5%9C%B0%E5%9B%BE%E7%93%A6%E7%89%87%E5%9D%90%E6%A0%87%E7%B3%BB%E5%AE%9A%E4%B9%89%E5%8F%8A%E8%AE%A1%E7%AE%97%E5%8E%9F%E7%90%86/

http://www.360doc.com/content/11/0522/13/6990087_118542269.shtml

https://blog.csdn.net/lin5165352/article/details/121977488

推一篇象棋AI的论文

《中国象棋计算机博弈数据结构与评估函数的研究和实现》

https://www.docin.com/p-902935944.html

minimax算法

中国象棋（Chinese Chess, 也称为Xiangqi）的AI算法中，Minimax算法是一个常用的方法。Minimax算法用于决定AI的下一步行动，通过递归地评估所有可能的移动，选择最佳的一步。下面是Minimax算法的基本伪代码：

function minimax(node, depth, maximizingPlayer) is
    if depth == 0 or node is a terminal node then
        return the heuristic value of node

    if maximizingPlayer then
        value := -infinity
        for each child of node do
            value := max(value, minimax(child, depth - 1, false))
        end for
        return value
    else
        value := +infinity
        for each child of node do
            value := min(value, minimax(child, depth - 1, true))
        end for
        return value

在这个基本的伪代码中：
- `node` 是当前的棋盘状态。
- `depth` 是搜索的深度，通常是预先设定的一个值。
- `maximizingPlayer` 是一个布尔值，如果为 `true`，则当前玩家是最大化玩家；如果为 `false`，则当前玩家是最小化玩家。

在实际的中国象棋AI中，你可能还会使用一些优化技术，比如alpha-beta剪枝，以减少搜索的节点数并加速算法。此外，你也需要一个启发式函数来评估棋盘状态的价值，这通常基于棋盘上的棋子类型和位置。

minimax加alpha-beta剪枝

当结合alpha-beta剪枝的时候，Minimax算法可以更高效地搜索决策树。alpha-beta剪枝通过跳过那些不可能影响最终决策的分支来减少搜索的节点数。以下是结合alpha-beta剪枝的Minimax算法的伪代码：

function minimax(node, depth, alpha, beta, maximizingPlayer) is
    if depth == 0 or node is a terminal node then
        return the heuristic value of node

    if maximizingPlayer then
        value := -infinity
        for each child of node do
            value := max(value, minimax(child, depth - 1, alpha, beta, false))
            alpha := max(alpha, value)
            if alpha >= beta then
                break   // beta cut-off
            end if
        end for
        return value
    else
        value := +infinity
        for each child of node do
            value := min(value, minimax(child, depth - 1, alpha, beta, true))
            beta := min(beta, value)
            if beta <= alpha then
                break   // alpha cut-off
            end if
        end for
        return value

在这个伪代码中：
- `alpha` 是当前已知的最好的最大化玩家的选项，开始时通常设置为负无穷大。
- `beta` 是当前已知的最好的最小化玩家的选项，开始时通常设置为正无穷大。

当你在搜索过程中发现一个分支的当前最小值（对于最小化玩家）已经小于或等于当前已知的最大值（对于最大化玩家），或者当前最大值（对于最大化玩家）已经大于或等于当前已知的最小值（对于最小化玩家），那么你可以停止进一步搜索这个分支，因为这个分支不会影响最终的决策。这就是alpha-beta剪枝的基本思想。

Alpha-Beta剪枝通常不与广度优先遍历结合使用，因为Alpha-Beta剪枝是一种深度优先搜索算法，它依赖于递归地探索游戏树的深度。广度优先遍历则是一种逐层遍历树的算法，通常不适用于Alpha-Beta剪枝的情况。

Alpha-Beta剪枝通常与深度优先搜索或迭代深化搜索结合使用，以便在有限的时间内搜索尽可能深的层次，并且在搜索过程中进行剪枝以减少不必要的计算。

@Data

https://blog.csdn.net/xsq123/article/details/125352796

@bean和@Component的区别

https://blog.csdn.net/CW_SZDX/article/details/106868298

@EnableAspectJAutoProxy(exposeProxy = true)

https://blog.csdn.net/u013720069/article/details/112025020

@ComponentScan(basePackages = {"com.xxxxx"})

https://blog.csdn.net/m0_45406092/article/details/115700557

maven从本地仓库读取jar包

https://blog.csdn.net/weixin_41849346/article/details/126484875