Minimax算法和机器学习技术已经研究了数十年，以在象棋和五子棋等游戏领域中达到理想的优化。 在这些领域中，几代人试图为修剪和评估功能的有效性优化代码。 因此，存在装备精良的算法来处理游戏场合中的各种复杂情况。 但是，作为传统的零和游戏，Connect-4与使用传统minimax算法的零和家族的其他成员相比，受到的关注较少。 近年来，基于研究结论，专业知识和游戏经验，创造了新一代启发式方法来解决此问题。 但是，本文主要介绍了一种自行开发的启发式方法，并结合研究和我们自己的经验证明了与网上可用的Connect-4系统版本相抗衡的结果。 尽管大多数以前的工作都集中在赢得算法和基于知识的方法上，但我们通过启发式分析来补充这些工作。 我们已经进行了三个功能，搜索深度和特征数量之间的关系的实验，并与在线样本进行了对比测试。 与基于总结经验和通用特征的样本不同，我们的启发式方法主要集中于船上部件之间的详细连接。 通过分析当我们的版本与具有不同搜索深度的在线样本进行对抗时的获胜百分比，我们发现采用minimax算法的启发式算法在零和游戏的早期阶段是完美的。 由于游戏树中的某些节点对minimax算

如果博弈矩阵中存在任何纯纳什均衡（鞍点），脚本会给出指数，否则它给出了解决博弈的一种混合策略。

本文通过两个详细的例子解释了零和博弈中的纳什均衡可以通过应用线性规划和极大值计算来获得。 为了同样的目的，它也讨论了库恩-塔克理论的应用。 特别是，在对原始问题和对偶问题的经济学解释上，它还为策略的使用建立了均衡条件“边际成本大于或等于边际收益”，从而获得了均衡条件的类似条件。在常规经济问题中使用活动。

该算法使用线性规划模型（使用优化工具箱）在混合策略中检测鞍点或寻找解决方案。 还分析了存在无用策略的博弈矩阵并返回最优值。