近来互联网扑克室的热潮大范围的促进了扑克相关技术研究的热潮。和象棋、围棋一样，扑克也迫使许多研究者开始迈向了还尚在发展中的人工智能领域。不同于棋类游戏的是，扑克游戏具有玩家间信息不完整的特点（对手的牌总是隐蔽的），因此游戏中用于决策的信息常常是不完整的。今天在围棋智能的领域已经建立了面向完整信息的游戏的非常强有力的规划系统（围棋的信息是绝对完整的）。最有力的例证来自于象棋电脑程序可以稳定的战胜世界上最强的人类选手。事实上，这种规划系统并不能同等地适用于信息不完整的游戏，例如扑克。

本文的任务就是发现1对1无限德州扑克的强有力的战略。通过博弈论的观点来看，1对1无限扑克可以被认为是信息不完整和完美响应环境下的2人零和博弈。零和博弈是一种参与者赢得和输掉的总数是中保持为0的博弈过程。这意味着一个人赢得等于另一个人输掉的。信息不完整的概念已经解释过。完美响应的意思是，参与者都清楚地记得从游戏一开始发生的一切。完美响应的博弈在现实世界中并不常见，因此不必过多地讨论。

当我们处理信息不完整博弈的时候，单一策略、混合策略、优化策略以及最大化策略，都是非常重要的。单一策略就是同一种情况下，采取绝对一样的行动。混合策略即随机的选择如何行动。一个人类扑克玩家一般会试图识别对手的策略，然后利用对手的失误，以取得最大优势。这实质上就是我们说的最大化策略。最大化策略的目标，在于针对某一个具体的策略，赢到最大限度。而优化策略的目标在于，面向任何策略追求到损失得尽可能小。虽然这是一种极其难以实现的策略，但是一个专家级的人类玩家，在面对一个未知的对手时所采用的策略，将是非常接近于优化策略的。一旦他逐步识别了对手的策略之后，便立刻调整自己的策略，更多地采用充分利用对手弱点的最大化策略。优化策略也会遇到另一种情形，就是两个都采用优化策略的玩家相遇，这就是意味着纳什均衡将会出现，这时候两位玩家需要做的，便是寻找一个当前局面的纳什均衡解。

学术方面
从基于行为的简单规则到采用神经网络的高级对手模型，这些技术对于在信息不完整的游戏中构造强有力的策略，都可起到一定的支持作用。本文所做的乃是对Billings发表的应用于有限德州扑克的理论的基础上，作了向适用于无限德州扑克迁移的努力。我的想法是将现实中的扑克游戏构造成一个抽象的数学模型，使得这个新的模型可以被转化为线性方程矩阵。该矩阵既可以是标准型，也可以是序列型。标准型是一个描述一个长期的博弈的标准形式，但是它的大小随着博弈树的增长，而成倍增长。事实上，博弈树节点的数量是随着层数增大，而呈现指数级增长的，由于解决最终模型的算法效率取决于矩阵大小长度的多项式，这样的话展开多项式变得非常的低效，并且以目前计算机的运行速度，只能用于解决一些非常小的博弈问题。序列型创造了一种更加简洁的矩阵，并且它的博弈树节点的数量是线性增长的，这就允许许多大型的博弈问题可以得到解决。面向这个抽象博弈的解决方案就是，运用一些线性规划分析软件来求解线性方程矩阵。当然，这里我们所求得到的策略解，并不是真正的优化策略，因为它是基于一个与现实游戏不完全一样的模型的。故称之为伪优化策略。

以往的关于优化或伪优化策略的研究主要集中在简化了的扑克游戏或者是有限扑克上。有限扑克意味着一个玩家只能下注或加注有限的次数。在无限扑克中，玩家想下注或加注多少次，就可以这么做多少次。这些附加的选择动态地增加了博弈树节点的数量。本文的目标就是要成功地将已知的技术，从有限扑克推广到无限扑克。在以往的成功应用于有限扑克的三种抽象技术，将被修改应用到无限扑克，并增加一个专门无限扑克设计的第四种特别的抽象技术。