一种自对弈棋局学习样例质量评价方法

计算机棋类游戏学习中的自对弈学习指仅依赖行棋过程及最终的输赢结果的学习.整个过程中除下棋规则外不预设任何领域知识,也无专家指导.虽然基于极大极小算法、α-β剪枝算法和蒙特卡洛搜索的自对弈学习已经取得了卓越成果,但是目前仍旧缺乏对于学习样例质量评价的针对性研究.因此,本文首次提出了一种自对弈棋局学习样例质量评价方法,该方法采用样本规模综合指标T—使用样例重复度和样例个数的线性组合—来决定学习样例大小.在西洋跳棋上的实验表明,本评价方法可以达到有效控制学习样例规模的目的,在不降低学习效果的前提下大幅降低学习样例产生的计算成本.

基于赛制组织的遗传变异棋局样例生成算法

计算机棋类游戏的研究目标是人工智能选手的智力提高,而学习样例对棋局局面的代表性,在很大程度上决定了选手的智力水平,但学习样例的产生方式和优劣判定一直未能引起足够重视.针对自对弈棋局样例产生中的选手筛选问题,本文提出了一种将体育赛制(混合赛制、循环赛制、淘汰赛制)和遗传算法结合的学习样例生成算法,来规范选手筛选过程并从而提高高质量样例的产生效率.该算法引入成熟公正的体育赛制组织形式为人工智能选手匹配和淘汰对手,将优胜者之间的对局做为学习样例,并使用遗传变异方法使选手逐代进化.在西洋跳棋上的实验结果表明,本文提出的样例生成算法可以有效产生样例;在样本规模综合指标T的评价下,混合赛制和循环赛制产生的学习样例具有更高质量;基于样例训练的选手能力对比表明,循环赛制最适合于西洋跳棋游戏的样例产生.

基于Java3D的变电设备状态展示系统框架设计

电力远程Web监控指基于浏览器对跨地域分布的变电设备状态的集中监控。目前多采用2D而非3D展示,原因是缺乏有效的Web 3D框架结构设计和现有Web 3D技术绘制效率不足。针对这两个问题,本文提出了一个基于Java 3D技术的变电设备状态展示系统的框架结构。该框架包括技术支撑层、数据层、3D基础类层、3D业务类层和客户端层五个层次,具有效率高和可扩展可移植的优点。实际应用表明,基于Java 3D技术的Web展示框架结构可以有效满足电力系统Web 3D展示的要求。