我知道如何使用Minimax之类的算法来玩完美的游戏（在这种情况下，我正在寻找类似于TIC-TAC-TOE的游戏）
但是，我想知道如何创建一种不完美的算法，或者是不同的"技能水平"（简单，中等，硬）的AI，以至于人类玩家实际上有机会失败。
切断各个深度的搜索以限制计算机的技能。更改评估功能以使计算机偏爱不同的策略。
非专业人类玩家的玩家具有亚最佳策略和有限的策略。这些大致对应于对游戏状态的评估不良，思考能力有限。
关于随机性，需要一点，因此计算机并不总是会犯同样的错误，有时可能会比平常做得更好或更糟。为此，不要总是选择最佳路径，而要选择它们的分数加权。您可以根据游戏的结果来完善其评估功能，即更新其权重，从而使AI变得更加有趣。这样，它可以像人类一样在有限的搜索深度学习更好的评估功能。
我在游戏中使用的一种方式是使用随机值。对于简单的游戏水平，我让选择一个随机数的几率以支持人类玩家。示例：
Easy level: only beat the human if you can randomly select a value less than 10 from the range of 1 to 100
Medium level: beat the human if you can select a random value which is less than 50 from a range of 1 to 100
Hard level: beat the human if you can randomly select a value less than 90 from a range of 1 to 100
我确定有更好的方法，但这可能会给您一个想法
"最简单"的方法是使用阈值以及您的minmax结果，创建超过阈值的结果的集合，然后随机选择程序的选择/路径服用。阈值越低可能更容易对手。
我可能是因为即使是纯粹的愚蠢运气也可以选择最好的举动，因此"初学者的运气"。
本质上，您正在寻求增加可能结果的熵（随机性）。如果要专门愚弄计算机对手，则可以限制MinMax算法遍历的级别，或者将算法某些部分的点贬值。
引擎犯人类错误并不容易。减少搜索深度是一种简单的方法，但它具有限制。例如，将其降低到一个层的国际象棋发动机经常给予支票，而一件有价值的作品仍受到攻击。当对手用反击捍卫支票时，这两块都是奖项。即使是没有经验的人类，也不太可能因这个错误而陷入困境。
也许您可以使用名为Phalanx的国际象棋引擎中的一些想法：http://phalanx.sourceforge.net/index.html
这是少数具有复杂难度级别（-e选项）的开源引擎之一。如果我没记错的话，它会执行正常的搜索，但有时会忽略非明显的动作。evaluate.c包含一个称为blunder的函数，该函数评估了人类是否可能忽略了一个动作。