我想在一個簡單的紙牌遊戲中實現一個AI玩家的極小極小算法。然而，通過研究，我很困惑國家評估和啓發式法之間的關鍵區別是什麼。遊戲AI中狀態評估與啓發式有什麼區別？
從我所理解的啓發式是通過玩家可用的當前信息（例如在國際象棋，棋子和他們的相關位置）來計算的。有了這些信息，他們基於啓發式函數得出了一個結論，該函數基本上提供了一個「經驗法則」。
狀態評估是當前狀態的確切值。
但是我不確定爲什麼兩個東西並存，因爲我看不出他們彼此之間有多大的不同。請有人精心準備，並澄清我的困惑。謝謝。
假設一個零和遊戲，你可以對最終狀態執行一個狀態評估（遊戲以玩家X的角度來結束贏得，抽獎，損失），結果爲1,0，-1。一個完整的樹搜索將讓你完美的播放。
但實際上樹很大，不能完全搜索。因此，您必須在某個時刻停止搜索，這不是最終狀態。沒有確定的贏家或輸家。現在很難用1,0，-1來標記這個狀態，因爲這個遊戲可能太複雜了，無法從遠離最終狀態的狀態中輕鬆評估獲勝者。但是你仍然需要評估這個位置，並且可以使用關於遊戲的一些假設，這相當於啓發式信息。其中一個例子就是國際象棋中的棋子（王后比兵棋更有價值）。這是啓發式信息併入非完美評估函數（逼近真實評估函數）。你的假設/啓發式越好，真實評估的近似就越好！
但還有其他地方可以引入啓發式信息。一個非常重要的領域是控制樹搜索。首先會評估哪一個移動，哪個移動最後。首先選擇好動作允許像alpha-beta這樣的算法修剪樹的大部分。但是當然你需要陳述一些假設/啓發式信息來命令你的動作（例如，女王動作比典當動作更強大;這是一個虛構的例子，我不確定這種啓發式在國際象棋中的效果-AIs here）