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。

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。

基于爱恩斯坦棋削减随机性影响的博弈算法研究

爱恩斯坦棋是一种随机性很强的特殊棋种,普通的博弈算法难以在爱恩斯坦棋上得以适用。因此本文将针对爱恩斯坦棋的博弈策略,以评价函数中的棋子的状态值以及棋子位置的赋值两方面为主进行估值函数的研究,并利用保边缘舍中间的策略削弱随机性带给爱恩斯坦棋的影响效果。经过多次对战实验证明该评价函数以及削弱随机性的策略是有效的。

动态混合局面评估MCTS算法在爱恩斯坦棋中的应用

爱恩斯坦棋是一种双人不完全信息博弈棋类,目前多用于计算机博弈领域的研究,其较为灵活且有随机性,可使用多种搜索算法对AI进行加强。为了提高AI在搜索时的效率及增强对战时的智能程度,采取了一种基于MCTS搜索并配合动态混合局面评估函数的算法,在评估函数中使用了棋子动态估值的方法,并对残局进行了一定的优化。经过多次对弈得出,应用改进算法后的新程序在与其他传统搜索算法程序对战时,显著提高了对弈时的胜率和搜索的效率,有效验证了该算法的实用性。

爱恩斯坦棋计算机博弈算法研究与改进

人工智能技术高速发展,作为人工智能领域的重要方向—计算机博弈蓬勃开展,爱恩斯坦棋作为计算机博弈的一类棋种,是中国大学生计算机博弈大赛的比赛项目,具有信息不完全、走棋受概率影响等特点。文章通过对爱恩斯坦棋的搜索算法进行系统研究,提出基于定式处理的改进型Alpha-Beta剪枝算法,经验证该算法可以提高在博弈比赛中的胜率。

爱恩斯坦棋评估策略的研究

作为中国大学生计算机博弈大赛的比赛项目之一的爱恩斯坦棋,虽然属于完全信息博弈项目,但具体行棋规则具有较高的随机性,需要好的评估策略来确保胜利。本文给出一种既考虑进攻又考虑防守的综合评估策略,经过多次对战,表明此评估策略是有效的。

基于强化学习的爱因斯坦棋的算法研究

爱因斯坦棋是我国全国大学生指定计算机博弈比赛项目之一,在本文发表之前,多数队伍使用了搜索树算法来参加比赛,而为了提高算法的表现,多数算法需要加入具体的模板处理。然而,如果需要得到最优表现,则要加入大量模板并尽可能地搜索更深的博弈树。而使用深度强化学习并结合使用树搜索不仅不需要加入过多的模板处理、搜索深层树节点,还能随着接收不同的算法和样本,智能体可以逐步地改善表现,并进一步提高胜率。因此,本文通过使用了深度强化学习中的DQN算法,并结合了极大极小树搜索算法和随机生成行为法测试了该算法的胜率,最后取得了远优于这两种方法的结果。

一种生成残局数据库的倒推算法

通过研究爱恩斯坦棋的一种倒推算法,实现爱恩斯坦棋局面胜率的可推导化,借助倒推算法对爱恩斯坦棋局面胜率进行相关计算,解决如何建立爱恩斯坦棋残局库的问题。为了方便胜率的计算,将已走胜率作为胜率生成的目标,提出将若干个已知胜率且复杂度低的局面进行倒推收敛,从而得到复杂度高的局面计算方法,证明了“任一局面都可由若干个已胜局面通过倒推收敛的方法,计算出误差仅受数据类型的精度影响的准确胜率”的理论,并在此理论基础上设计出能够按局面复杂度来逐个标记各个不存在的局面,计算所有需要的存在局面,生成各个局面胜率的倒推算法。最后在数据储存量有限的情况下,构造出部分数据的储存替代方法,尽可能降低所需数据的存储量,使倒推算法在能够计算出残局库的条件下,可以配合其他局面评估算法提升其程序的获胜概率。