疯癫的棋人与忧郁的王子——试论林兆华和过士行的戏剧双簧

《棋人》中的司炎与哈姆莱特都是有着疯狂与忧郁性格的人物。林兆华在1990年执导的解构版《哈姆莱特》以简陋的服饰与布景、随意的人物角色互换和"人人都是哈姆莱特"的导演阐述震惊了剧坛。林兆华还将《棋人》导演成了后现代与行为艺术嫁接的产物。"生命的承诺"使得过士行常常隐藏在导演意识强烈的林兆华的阴影之中,他们犹如双簧似的错位的合作使得过士行的自我仿佛成了镜像之中的幻象。过士行需要召回自我,实现镜像突围。

棋人

橘中有三味，棋人苦求中。休言弈者痴，《梅花》趣无穷!这首《弈者》说的是世人对中国象棋的痴迷。中国象棋是从何时传下来的？这我不知道，恐怕得去问专家才能搞得清楚。但我知道，中国象棋喜闻乐见、源远流长。无论是城市、农村，无沦你走到哪儿，只要有人的地方，你就会看到棋摊，就会看到有人在下象棋。你看吧，许多人围着一副小小的象棋，把那巴掌大的一块地方，围得水泄不通。

五子棋人工智能权重估值算法

对一个权重估值算法五子棋简易人工智能的完整实现,包含人机对战、棋谱存取、双人对战等功能。本文为VB编程环境的拓展应用提供了一个详实的参考。

棋院·棋人·棋德

我本科是在哈尔滨师范大学度过的。大一那年，刚开学，我去了黑龙江棋院，当时是11月，风很大，也很冷。但是为了自己的朝圣之地，这些都阻挡不了我的热情。那是一栋小楼，外面是白色的，感觉很干净。记得是在二楼吧，上楼后，整个楼道特别安静，好多门都是关着的，后来知道那是在上课。

吴清源的棋人奇事与棋外事

吴清源是举世公认的现、当代围棋泰斗,日本棋迷称其为＂昭和棋圣＂。与棋盘上的辉煌相比,他的生活却是坎坷曲折——＂我将来就靠下棋吃饭＂吴清源的父亲曾留学日本,主修法律,却对围棋深感兴趣,回国时买了许多日文围棋书。父亲回国后,在北洋军阀政府平政院任科员。有一天,他觉得应该让孩子们受些棋艺熏陶,便开始教三个儿子下围棋。

面向兵棋推演复盘分析的机器学习数据集构建

运用机器学习进行兵棋推演复盘分析,首先要解决的是数据集构建问题。由于机器学习对数据结构的规范化要求,以及算力和存储限制,通过兵棋推演数据构建机器学习数据集,在如何描述兵棋推演状态,如何描述推演过程,如何处理高维数据,如何数据保真等方面,还面临不少问题。针对此类问题,构建了兵棋推演过程数据向机器学习数据集映射模型,在总体框架上对数据集构建的映射流程、态势描述数据范围和数据统计计算规则进行规范,并从时间关联数据、地理空间关联数据和高维数据降维3个视角设计针对性处理方法,以保证构建数据集的数据结构统一、高维数据降维需求和数据集保真要求。通过数据集构建实验进行了验证,结果表明:在时间分辨率和地理空间分辨率适中情况下,所构建数据集映射模型,既能较好对兵棋推演高维数据进行降维,又能较好防止构建的数据集失真。

作战方案驱动的可学习兵棋推演智能体研究

为了使智能体能够应对兵棋推演中的复杂作战场景和作战目的,提出作战方案驱动的可学习兵棋推演智能体架构。剖析智能体对兵棋系统的“依附特性”和“松耦合特性”,得到智能体的可学习要求;在智能体框架设计中,使用作战方案压减智能体学习范围。通过有限状态机对应作战方案中的作战阶段知识,依据作战方案框架确定智能体决策空间,设计可学习的深层神经网络实施关键决策空间探索,神经网络采用先验知识模仿学习模式和深度强化学习模式。该架构能迭代探索人类难以充分梳理清楚的多棋子最优部署和协作问题。

改进深度神经网络在爱恩斯坦棋中的应用研究

爱恩斯坦棋作为一种附带随机性的完美信息博弈,其难度在于每次投掷骰子导致的结果不确定性,这增加了策略设计和局面的评估难度。针对爱恩斯坦棋的游戏规则,提出了一种改进的深度学习方法。对Alpha(go)Zero神经网络模型进行改进和设计,使其能精确地评估各种棋盘状态,生成有效的游戏策略。通过结合改进的残差神经网络和蒙特卡洛树搜索,提取棋局特征并进行局面评估,动态生成策略和进行决策。结合强化学习,以期望胜率为准则,通过自我对弈不断优化权重,改进策略生成效果。实验结果表明:改进的深度学习方法优于全国计算机博弈大赛冠军组算法,进一步验证了深度学习方法在爱恩斯坦棋随机性完美信息博弈中的有效性和可行性。

老年2型糖尿病患者自我管理游戏棋的应用效果分析

目的 将自行设计的糖尿病自我管理游戏棋应用于老年2型糖尿病患者自我管理中,并分析其应用效果。方法基于糖尿病患者自我管理行为量表(SDSCA)自行设计一款飞行棋,以便利抽样方法选取2022年9—12月在某医院住院的老年2型糖尿病患者作为研究对象,随机分为试验组和对照组(各52例)。试验组用游戏棋,对照组采用个别指导健康教育,比较2组患者出院后的血糖、自我管理行为、生存质量。结果 对照组基线、6个月、12个月糖化血红蛋白分别为8.46(8.13,8.80)、8.31(8.07,8.69)、7.83(6.78,7.02),生存质量评分分别为81.87(80.20,83.53)、75.00(74.09,77.25)、78.50(76.88,80.12),自我管理评分分别为22.04(19.89,24.19)、27.90(26.60,29.20)、21.33(20.15,22.51)。试验组基线、6个月、12个月糖化血红蛋白分非别为8.39(8.07,8.70)、7.16(7.00,7.32)、6.90(6.78,7.02),生存质量评分分别为81.94(80.52,83.37)、55.94(54.70,57.18)、51.62(50.57,52.66),自我管理评分分别为23.77(21.89,48.16)、44.79(43.28,46.30)、46.63(45.11,48.16)。2组患者各时间点糖化血红蛋白(F_(组间)=28.23、F_(时间)=75.06、F_(交互)=36.85)、生存质量(F_(组间)=355.25、F_(时间)=904.30、F_(交互)=478.82)、自我管理能力(F_(组间)=324.45、F_(时间)=271.33、F_(交互)=226.90)试验组患者均优于对照组,差异均有统计学意义(P值均<0.05)。结论 游戏棋简单易懂,有利于老年2型糖尿病患者自我管理行为的提高以及血糖和生活质量的改善。

对抗环境下的智能兵棋系统设计及其关键技术

智能博弈对抗领域已成为当前研究的热门领域之一。侧重在兵棋推演系统的体系构建和模块设计,分析了兵棋推演系统的建模要素,包括兵棋要素、兵棋规则及智能接口设计,构建了智能兵棋推演系统的整体架构。通过A3C强化学习智能算法对系统设计进行可行性验证。其中,改进了强化学习训练过程的奖励设置,明确智能兵棋环境的状态输入、算法驱动过程及动作输出过程,通过自主实现的智能兵棋推演系统,验证了所提的系统理论与工作。该工作为基于强化学习的智能博弈系统的设计与实现提供了可行路径,并为以后基于强化学习的智能博弈对抗研究提供了基础平台。

任务级兵棋智能决策技术框架设计与关键问题分析

在梳理总结当前兵棋智能决策方法研究现状的基础上,明确指出了开展任务级兵棋智能决策研究的8项难点,从博弈活动中智能体定位、信息流转与知识流转等问题出发,设计给出了任务级兵棋智能博弈框架、智能策略生成优化框架以及多智能体策略协同演进框架,进而分析了高维度下长时序的态势信息数据综合、异步策略分布式学习优化、基于语义模板的任务指令生成、多智能体训练营博弈调度等4项关键问题,并给出了基本解决方案,点明了开展任务级兵棋智能决策研究的技术要点与基本路线,为后续任务级兵棋智能体设计提供了有益参考。

基于兵棋推演的智能分析评估研究

兵棋推演作为研究战争的一种重要手段,与人工智能技术融合已成为未来发展趋势。分析智能分析评估的发展现状与样本数量、样本标注、算法模型、结果解释等方面存在的瓶颈,针对性提出一种基于兵棋推演的动态智能分析评估流程,并结合智能问答分析、重要事件回溯、作战行动讲评等典型应用场景,提出了相应的解决方案。选取智能问答分析场景,验证了相关方案与算法的有效性。

考虑弹药保障能力的作战效能兵棋推演评估

目前在兵棋推演过程中很少涉及到弹药保障环节,比如弹药存储和运输对作战效果的影响。本文基于兵棋推演想定设计、仿真以及评估的规则,提出了诸如保障兵力、保障装备、储运规则等的弹药保障相关推演要素,改进了兵棋推演流程,在常规推演评估指标体系中增加了弹药保障效率、成本等评估指标体系,演示了综合弹药保障能力作战效能的评估方法。

基于影响力地图的计算机兵棋推演路径规划

兵棋推演是一种描述战争行动的作战模拟工具,兵力机动是作战行动的基础,而路径规划则是作战行动的核心内容。路径规划简化为图论中的最短路径求解。然而,战术路径不等价于最短路径。考虑到战场推演的复杂性、信息多样性和动态性等特点,战术路径采用战场态势与路径规划分离的决策方法导致作战行动失败。提出了一种能将战场态势与地图信息有效融合的战术路径规划算法,该算法在传统A^(*)算法的基础上,结合影响力地图对战场态势因子进行数值化,并采用数值化态势因子结合地形因子作为改进A^(*)算法目标函数,从而在相同算法复杂度条件下使A^(*)算法向战术最优路径收敛。通过仿真实验表明,相较于传统A^(*)算法,该算法能够支持更复杂多样的战术路径规划,战场态势信息指导路径规划能够有效降低机动时一方所受战损并提高我方进攻能力,塑造整体有利态势。

海空跨域协同兵棋AI架构设计及关键技术分析

以深度强化学习为核心的智能博弈技术在游戏领域内的突破和进展为海空兵棋AI的研究提供了借鉴。智能体架构设计是需要解决的关键问题,良好的架构能够降低算法训练的复杂度和难度,加快策略收敛。提出基于随机博弈的海空跨域协同决策博弈模型,分析了相关的均衡解概念;在分析典型智能体框架基础上,针对海空兵棋推演决策博弈过程,提出基于多智能体分层强化学习的智能体双层架构,能够有效解决智能体间协作和维度灾难问题;从兵力协同、智能体网络设计、对手建模和训练机制共4个方面分析了关键技术。期望为海空兵棋AI设计实现提供架构指导。

融合三支多属性决策与SAC的兵棋推演智能决策技术

近年来,将深度强化学习技术用于兵棋推演的智能对抗策略生成受到广泛关注。针对强化学习决策模型采样率低、训练收敛慢以及智能体博弈胜率低的问题,提出一种融合三支多属性决策(three-way multiple attribute decision making,TWMADM)与强化学习的智能决策技术。基于经典软表演者-批评家(soft actor-critic,SAC)算法开发兵棋智能体,利用TWMADM方法评估对方算子的威胁情况,并将该威胁评估结果以先验知识的形式引入到SAC算法中规划战术决策。在典型兵棋推演系统中开展博弈对抗实验,结果显示所提算法可有效加快训练收敛速度,提升智能体的对抗策略生成效率和博弈胜率。

图书馆IP建设赋能城市文旅融合发展研究——以北海市少年儿童图书馆“海丝智慧棋”文化IP创意运营为例

在以文塑旅、以旅彰文,坚持优势互补、相得益彰的文旅融合社会背景下,塑造图书馆IP,利用IP破圈引流,彰显图书馆的文旅价值具有重要的现实意义。本文概述图书馆IP建设赋能城市文旅融合发展现状,并以北海市少年儿童图书馆“海丝智慧棋”文化IP创意运营案例为例,分析其文化IP创意运营的实践,结合当前发展趋势对公共图书馆IP建设赋能城市文旅融合发展提出思考与建议。

长江经济带生态文明建设“一盘棋”重要论述中的系统观念

文章旨在研究阐释习近平生态文明思想的科学内涵,从新时代“五位一体”总体布局、区域协调发展战略和中华优秀传统生态文化成果滋养润育的宏观视野入手论证,深入解读习近平总书记关于长江经济带生态文明建设“一盘棋”重要论述中系统观念所蕴含的战略思维、底线思维、创新思维、系统思维,进一步深刻领会习近平生态文明思想的理论特质、原创性贡献、实践伟力。

基于改进UCT算法的爱恩斯坦棋博弈设计研究

为了解决传统UCT算法在爱恩斯坦棋中评估精度低和搜索效率低的问题,文中以基于UCT算法的爱恩斯坦棋为研究对象,通过基于修正值的收益值计算方法和并行优化处理,对传统UCT算法的估值方法和线程问题进行了改进,实现了在有限时间内达到更优的搜索精度和搜索效率。结果表明,改进的多线程UCT算法在修正系数为2.5时的收益值以及胜率明显大于传统单线程UCT算法,且在搜索效率上具有显著提高。

兵棋推演在光电专业本科综合实践教学中的应用探析

综合实践教学是军队院校强化实战化教学的重要环节。通过分析现有光电信息科学与工程专业本科综合实践教学中存在的局限性,提出将兵棋推演引入该专业综合实践教学,并设计了兵棋推演应用的教学模式,具体讨论了教学设计与准备、组织与实施、总结与评价等方面的问题,最后强调了该推演教学中需要重点把握的问题。通过兵棋推演在综合实践教学中的应用,有助于进一步完善满足信息化条件下装备保障人才培养需求的专业实践教学体系,对于提高该专业综合实践教学质量水平,具有非常重要的意义。