編者最近在學校五子棋ai博弈演算法，好不容找到一本書籍資源來學習，但其中內容是作者在2023年缺少中文演算法書籍的情況下編寫的，因此有一些語義錯誤或語義不詳的地方，對編者閱讀造成很大影響。比如這個負極大值搜尋的推導則是一筆帶過，讓編者百思不得其解。現在將花了三小時得出的推導過程，在這裡整理一下，如果有錯誤請讀者指正。
首先，負極大值搜尋是極大極小值搜尋的變種，對執行效率上沒有什麼影響，但**更簡潔，很多博弈演算法作者都是用負極大值來演示，因此還是有必要學習的。
其實這個演算法本質上是一種負負得正的關係。先看下極大極小值搜尋的偽**：
1。 p 為棋盤
2。 d 為規定的搜素最大深度，比如d層紅方，d-1層為黑方，d-2層為紅方...依此類推，可採用mod2來判斷當前是哪一方
4。評估棋盤的函式evaluation,當然需要看是哪一方，若紅方為機器，黑方為人，那麼機器（紅方）做為極大（inf），人作為極小(-inf)，讓機器選擇最合適的一步。
int minimax(chessmap p , int d)
return bestvalue;
}
首先要知道很重要的一點，負極大值的葉節點評估函式與極大極小不同：
極大極小的評估機制：若電腦為黑棋，則預設評估機制為在這個位置上總評分為：
黑棋總分-白棋總分 這個是固定的 不會以執棋物件為改變。而負極大值則是相反
負極大值的評分機制：若執棋方為黑棋 則評分=白棋總分-黑棋總分
若執棋方為白棋 則評分=黑棋總分-白棋總分
而負極大值搜尋的簡潔在於分開電腦和玩家的判斷放在了葉節點 return 相應的評分機制
現在來將負極大值搜尋偽**附上：
落白子時則是求極小值 ，極大值則是return 黑棋評分-白棋評分 與極大極小搜尋相同，但在負極大值函式中則會帶上負號 原來的最大值就是極小值
因此整個負極大值搜尋的**避免了使用條件語句來選擇最大或最小值 歸併成乙個語句
現在仔細回想是不是 就是負負得正的關係？
因此我推導出了另一種求法 也可以簡潔**
方法是 return 仍然分條件，簡潔**的目的其實就是為了讓函式裡不再需要分條件 因此我們可以只讓求極小值時來迎合求 歸併統一的求極大值 那麼只需要讓return 返回時條件是白棋落下 即是求極小值時 變為（白棋評分-黑棋評分） 而負極大值則是（黑棋評分-白棋評分） 而返回函式前不再需要加上負號 因此 求極大值時沒有改變 求極小值時 因為負號改變了大小關係 最大的即是最小的！！
因此我手寫乙份筆記來簡潔表達這種關係：附上
字不好 多多見諒
非極大值演算法
1 演算法思想 非極大值抑制 non maximum suppression，nms 顧名思義就是把非極大值過濾掉 抑制 本質是搜尋區域性極大值，抑制非極大值元素。主要是為了更精確的定位某種特徵，比如用梯度變化表徵邊緣時，梯度變化較大的區域通常比較寬，所以利用x和y方向的梯度確定乙個法向arctan...
非極大值抑制
nms non maximum suppression 中文名非極大值抑制，在很多計算機視覺任務中都有廣泛應用，如 邊緣檢測 目標檢測等。這裡主要以人臉檢測中的應用為例，來說明nms，並給出matlab和c 示例程式。人臉檢測的一些概念 1 絕大部分人臉檢測器的核心是分類器，即給定乙個尺寸固定，分類...
非極大值抑制
參考 思想 1.將每乙個檢測框的得分值排序，得到得分值最大的檢測框，將該檢測框記錄下來 2.然後其他計算所有的檢測框與該框的iou，將iou大於閾值的檢測框去除，iou小於閾值的認為是不同的目標，則保留 3.對剩下的檢測框繼續做上述的處理 import numpy as np def py cpu ...