游戏是人工智能的重要领域。游戏不需要太多的知识。我们唯一需要提供的知识就是规则，法律动作以及赢得或输掉游戏的条件。
两位玩家都试图赢得比赛。因此，他们俩都试图在每个转弯处都尽力做到最好。由于分支因子非常高，因此诸如BFS(广度优先搜索)之类的搜索技术对此并不准确，因此搜索将花费大量时间。因此，我们需要另一个可以改进的搜索程序-
- 生成过程，以便仅生成好动作。
- 测试程序，以便可以首先探索最佳动作。
游戏中最常见的搜索技术是Minimax搜索过程。这是深度优先深度受限的搜索过程。它用于象棋和井字游戏。
Minimax算法使用两个函数–
MOVEGEN：它会生成可从当前位置生成的所有可能的移动。
STATICEVALUATION：它返回一个值，该值取决于玩家的观点。
此算法是两人游戏，因此我们将第一个玩家称为PLAYER1，将第二个玩家称为PLAYER2。每个节点的值都从其子节点备份。对于PLAYER1，备份值是其子级的最大值，对于PLAYER2，备份值是其子级的最小值。假设PLAYER2做出了最佳举动，它为PLAYER1提供了最有希望的举动。这是一种递归算法，因为在每个级别都执行相同的过程。
图1：备份值之前
图2：备份值之后
我们假设PLAYER1将开始游戏。生成4个级别。节点H，I，J，K，L，M，N，O的值由STATICEVALUATION函数提供。级别3正在最大化级别，因此级别3的所有节点都将采用其子代的最大值。级别2处于最小化级别，因此其所有节点将采用其子级的最小值。此过程继续。 A的值为23。这意味着A应该选择C获胜。参考： Rich和Knight的人工智能