2.2 Búsqueda Quiescente [Inteligencia Artificial]

Vamos a probar en el juego de Aislamiento.
Vamos a seguir utilizando el número de función de evaluación. Que puede tener una calificación máxima de cinco y una calificación mínima de cero.

Si nos encontramos con una ramificación en la que pierde nuestro jugador de la computadora, vamos a darle un valor de -1.
Si nos encontramos con una ramificación en la que gana nuestro jugador, vamos a darle una puntuación de 100.

Con este ejemplo del juego de Aislamiento en el nivel uno, el número de mis movimientos en la función de evaluación recomendaría los dos movimientos centrales y el movimiento arriba a la izquierda (los valores 4).
Cada uno de estos tiene decenas de cuatros.
 


En el nivel 2, los centros de movimientos son considerados los mejores con calificaciones de 3.
 


En el nivel 3, el centro de movimientos se considera peores.
 


Continua con el nivel 4, 5 y 6 respectivamente.
 



Después del nivel tres, hemos alcanzado un estado de quiescencia. Las ramas recomendadas no están cambiando mucho. Sabemos que estamos en buen camino.

El objetivo de limitar la profundidad de nuestra búsqueda y utilizar una función de evaluación era evitar la explosión exponencial del número de nodos que tenemos que examinar.
Con la búsqueda quiescencia tenemos que buscar el juego de tres por dos niveles y tal vez mucho más si los resultados están cambiando entre los niveles.

No tenemos que utilizar la búsqueda quiescencia todo el tiempo, si jugamos aislamiento mucho y vemos que la función de evaluación nos está dando resultados consistentes, entonces puede ser que no fastidie en absoluto.

Sin embargo, podríamos encontrar que en nuestras pruebas de que ciertas veces en el juego, tenemos que crear búsquedas de opciones en otras ramificaciones para darnos mejores resultados. Muchas veces eso es al principio del juego o al final de este. También se tiene otro truco que se puede utilizar llamado profundización iterativa, y que nos puede ayudar también.

---