树搜索程序通常包括以下步骤：
选择（Selection）
从根节点开始，根据某种策略（如UCB公式）选择出一个最急迫需要被拓展的节点。
如果所有可行动作都已经被拓展过，则使用UCB公式计算子节点的UCB值，并选择UCB值最大的子节点。
如果存在未拓展的子节点，则选择该节点作为目标节点，并找出其未拓展的动作。
如果节点游戏已经结束，则直接进行下一步。
拓展（Expansion）
对选择出的节点进行拓展，生成新的子节点。
对于每个可能的动作，创建一个新的子节点，并将其与父节点连接。
模拟（Simulation）
从拓展出的新节点开始，执行一次随机模拟（也称为蒙特卡洛模拟）。
模拟过程直到游戏结束，记录模拟结果（如胜负）。
反向传播（Backpropagation）
根据模拟结果，更新从根节点到目标节点的路径上所有节点的评分和信息。
更新节点的被访问次数和其他相关统计数据。
示例代码（蒙特卡洛树搜索）
```python
import random
class TreeNode:
def __init__（self, val=0, left=None, right=None）:
self.val = val
self.left = left
self.right = right
self.visits = 0
self.score = 0
def ucb（node）:
return node.score + C * math.sqrt（math.log（total_visits） / node.visits）
def mcts（root, iters）:
total_visits = 0
for _ in range（iters）:
node = root
if node.visits == 0:
node.score = 0
else:
node.score = node.score / node.visits
while node.left or node.right:
if node.left and （node.right is None or ucb（node.left） > ucb（node.right））:
node = node.left
else:
node = node.right
if node.left:
node.score += 1
else:
node.visits += 1
node.score = 0
total_visits += 1
return node
示例使用
root = TreeNode（0）
root.left = TreeNode（1）
root.right = TreeNode（2）
root.left.left = TreeNode（3）
root.left.right = TreeNode（4）
best_node = mcts（root, 1000）
print（"Best move:", best_node.val）
```
示例代码（二叉搜索树）
```python
class TreeNode:
def __init__（self, val=0, left=None, right=None）:
self.val = val
self.left = left
self.right = right
def insert（root, val）:
if root is None:
return TreeNode（val）
if val < root.val:
root.left = insert（root.left, val）
else:
root.right = insert（root.right, val）
return root
def search（root, val）:
if root is None or root.val == val:
return root
if val < root.val:
return search（root.left, val）
return search（root.right, val）
示例使用
root = TreeNode（50）
insert（root, 30）
insert（root, 70）
insert（root, 20）
insert（root, 40）
insert（root, 60）
insert（root, 80）
result = search（root, 40）
if result:
print（"Found:", result.val）
else:
print（"Not found"）
```
这些步骤和代码示例展示了树搜索程序的基本流程和实现方法。根据具体应用场景的不同，树搜索算法（如蒙特卡洛树搜索和二叉搜索树）会有所调整。