AlphaGo 使用了哪种搜索算法来优化决策（）。A. 启发式搜索B. 随机搜索C. 穷举搜索[1]D. 深度优先搜索[2]

考查要点：本题主要考查对AlphaGo核心算法的理解，特别是其使用的搜索算法类型。
解题思路：需明确AlphaGo结合了蒙特卡洛树搜索（MCTS）与深度学习，而MCTS本质上属于启发式搜索。关键点在于区分不同搜索算法的特点：

• 启发式搜索利用启发式函数优先探索高潜力路径，提升效率。
• 随机搜索仅依赖随机采样，缺乏优化方向。
• 穷举搜索和深度优先搜索在复杂问题中效率极低，无法应对围棋的庞大搜索空间。

AlphaGo的核心决策机制包含以下关键点：

1. 蒙特卡洛树搜索（MCTS）：通过随机模拟生成可能的走子序列，并统计获胜概率，从而选择最优路径。
2. 启发式策略：MCTS中的UCT算法（平衡探索与利用）依赖于对节点价值的评估，属于启发式搜索的典型应用。
3. 深度神经网络：提供对局势的评估（如走子概率），进一步优化搜索方向。

选项分析：

• A. 启发式搜索：正确。MCTS通过启发式信息（如胜率）指导搜索，而非盲目穷举。
• B. 随机搜索：错误。虽然包含随机采样，但整体框架通过统计优化路径选择。
• C. 穷举搜索：错误。围棋的搜索空间极大，穷举不可行。
• D. 深度优先搜索：错误。深度优先效率低下，无法处理围棋的复杂性。