“Minimax算法属于什么”需要分语境回答，因为“minimax”既是一个算法名称，也是一类决策原则。通常所说的Minimax算法，首先属于人工智能中的对抗性搜索算法，也就是博弈树搜索算法。它面向两人轮流行动、完全信息、确定性、零和博弈这类问题，例如井字棋、国际象棋、黑白棋等。其基本思想是：在轮到“最大化者”行动时选择对自己最有利的走法，在轮到“最小化者”行动时选择对最大化者最不利的走法，并沿博弈树递归回溯计算每个状态的极小极大值。因此，它属于搜索算法、递归算法和树搜索方法，是深度优先搜索在博弈决策中的典型应用。
从计算机科学分类看，Minimax算法属于基于博弈树的回溯搜索方法，也带有动态规划的思想，因为它通过子状态的评价值逐层合成父状态的评价值。它的常见优化AlphaBeta剪枝并不改变Minimax的决策结果，但属于对Minimax搜索的剪枝优化，因此AlphaBeta剪枝可视为Minimax算法族的变体。Minimax也常被归入经典人工智能的“问题求解与搜索”部分，与启发式搜索、对抗搜索、约束满足等并列。它不属于普通的监督学习或无监督学习算法，也不等同于强化学习算法；不过在强化学习和多智能体学习中，“minimax”可以作为优化目标或对手建模原则出现。
从博弈论和决策理论看，Minimax属于零和博弈中的策略选择准则，与“极大极小定理”有密切联系。冯·诺依曼的极小极大定理说明，在一定条件下，零和博弈存在混合策略意义下的均衡，使一方最大化最小收益、另一方最小化最大损失。决策理论中的Minimax准则则属于不确定性决策中的保守准则，即选择使最坏情况损失最小的方案，常被称为极小极大后悔或极小极大风险准则的一种表达。需要注意，博弈论中的Minimax算法通常依赖对手也按最优策略行动，而决策论中的Minimax准则更多处理自然环境或不确定性下的保守决策。二者共享“极小化最大损失”或“极大化最小收益”的思想，但问题设定不同。
在算法性质上，Minimax属于完备性依赖搜索深度的方法：在有限博弈树且不剪枝的情况下，它可以找到当前评估函数和搜索深度下的最优走法；其时间复杂度通常随分支因子和深度指数增长，空间复杂度与搜索深度相关。它适合状态空间可建模为树、对手行为可被建模为对抗主体的场景。若博弈不是零和、不是完全信息，或对手并非理性最优，Minimax的假设就会受限，需要扩展为Expectiminimax、部分可观察博弈方法或多智能体强化学习方法。因此，Minimax算法主要属于人工智能的对抗搜索与博弈决策算法，同时与博弈论、决策论、递归搜索和剪枝优化等方向交叉。 |
|
