六子棋智能博弈系统的研究与实现

六子棋作为一个新兴的游戏,已在棋类计算机智能博弈领域占有重要的位置,其为保证竞赛公平性而采取的一步两子的规则对计算机博弈的效率是很大的考验。为此,在实现六子棋博弈系统状态表示、搜索策略和评估函数几大核心框架的基础上．提出“路”的概念,简化评估函数类型,有效提高博弈性能。     

计算机博弈之六子棋的主要技术分析

该文主要介绍了六子棋博弈的四个主要部分:状态表示,走法生成,评估函数以及搜索算法,并分析了当前的主要技术及其优缺点。而且对搜索算法进行了一定的优化,为计算机博弈研究提供了一定的参考。     

亚马逊棋机器博弈系统中评估函数的研究

机器博弈是人工智能学科研究的载体,亚马逊棋作为一个相对较新的博弈棋种,走棋特点介于围棋和象棋之间,非常适合用来进行机器博弈研究。以亚马逊棋博弈系统为实验平台,对机器博弈中的关键技术之一——评估函教进行了研究。以territory、position、mobility个主要评估特征为基础,根据亚马逊棋在开局、中局以及残局三个不同阶段的棋局特点,分析了不同阶段中各评估因子的重要程度以及权重取值,最后得到一个分阶段的评估函数。通过实验结果可知,提出的棋局评估函数是可行并且有效的。     

五子棋机器博弈系统评估函数的设计

针对五子棋机器博弈需借助棋型评估棋局产生的速度瓶颈,提出了棋型识别粒度与搜索深度相关联的多层架构评估函数设计方法。实验证实粗颗粒度估值在深层搜索时整体效率更高;多层次判读棋型能明显加快评估速度;走法生成函数引入快速评估,提前进行博弈树自然剪枝收效显著;非关键棋型依据棋局浮动分值平衡搜索深度,对五子棋亦见成效;以及估值函数针对性地延伸评估来减少地平线效应的开销更少;从而表明估值函数动态评估更加合理。     

基于棋型的藏族“久”棋计算机博弈研究

“久”棋是藏族人民的传统棋类游戏,游戏过程分为布局阶段和战斗阶段,布局的质量对弈棋结果影响很大。与围棋博弈智能软件战胜人类高手的情况比较,“久”棋博弈研究几乎空白。为了拓宽机器博弈研究的游戏范围,开发具有较高棋力的“久”棋软件,作者开展了基于棋型的“久”棋计算机博弈研究。通过实地考察,在四川阿坝地区采集了约300局有效的“久”棋对弈数据,提取了常见棋型,分别为棋型命名为三角、三子、二子、对角、四子等。在布局阶段,采用模式匹配算法提高棋型的匹配速度。在布局和战斗阶段,基于棋型,设计了具有优先级别的防守、攻击、连子策略。采用C语言开发了“久”棋博弈软件,该软件具有人人对弈、人机对弈、自动录制棋谱等功能。该软件在2016年四川省阿坝县第七届“体彩杯”藏棋比赛中成功开展了人机对弈,但是棋力有待提高。结果表明,基于棋型的攻防策略能够有效地应用于“久”棋计算机博弈。     

五道棋计算机博弈程序的设计与实现

针对民间五道棋博弈游戏,设计并实现五道棋计算机博弈程序。介绍程序的功能、设计目标,给出程序中关键问题的处理方法和软件实现方法。经实际应用证明,五道棋计算机博弈程序运行速度快、稳定可靠。该博弈程序的设计与实现对完成其他民间棋类的计算机博弈程序具有一定的参考价值。     

实现苏拉卡尔塔棋网络博弈平台的吃子算法

针对苏拉卡尔塔棋“机-机”博弈需要人工参与的弊端,提出了构建苏拉卡尔塔棋计算机网络博弈平台的必要性,通过博弈平台实现自动对弈,而构建计算机博弈平台的核心技术之一就是吃子算法的实现。介绍了苏拉卡尔塔棋的三个要素,给出了一种用于计算机博弈平台的苏拉卡尔塔棋的存储结构。使用这种结构,给出了棋局的表示方法,建立了吃子循环队列,进而完成了适合于计算机博弈平台的吃子算法,实现了棋规。实验结果表明,这种存储结构高效可靠,吃子算法运行正确。该吃子算法可以应用于苏拉卡尔塔棋博弈平台的构建,并且这种存储结构和吃子算法对设计完成其他棋类的计算机博弈平台具有一定的参考价值。     

面向机器博弈的即时差分学习研究

以六子棋机器博弈为应用背景,实现了基于即时差分学习的估值函数权值调整自动化.提出了一种新的估值函数设计方案,解决了先验知识与多层神经元网络结合的问题.结合具体应用对象的特性,提出了对即时差分序列进行选择性学习的方法,在一定程度上避免了无用状态的干扰.经过10020盘的自学习训练,与同一个程序对弈,其胜率提高了8%左右,具有良好的效果.     

基于神经网络和强化学习的西洋跳棋评估算法

目前国际象棋、围棋、五子棋等棋类游戏均已取得较为显著的成果,而10×10棋盘的西洋跳棋尚待破解。局面评估是计算机博弈系统智能化的重要影响因素之一,现有的西洋跳棋多采用静态估值和遗传算法等棋局评估方法,准确性和训练效率均有待改善。对此,本文总结和分析了现有的西洋跳棋评估算法,并在此基础上提出了基于神经网络和强化学习相结合的西洋跳棋评估算法,使西洋跳棋具有更好的自适应学习能力。通过分析表明,使用该算法的西洋跳棋博弈系统可以有效提高其计算机博弈水平。     

改进UCT算法在爱恩斯坦棋中的应用

UCT(Upper Confidence Bound Apply to Tree)算法是蒙特卡罗搜索算法的延展,因其鲁棒性强而受到广泛关注,且被应用于计算机博弈系统。爱恩斯坦棋是近年国内博弈大赛引进的新棋种,在竞赛中投骰子所引发的随机性和娱乐性吸引了广大学者的目光。从全局优化着法角度出发,在爱恩斯坦棋博弈系统中引入UCT算法。首先,针对当前计算机多核现状,利用并行计算方法进一步优化UCT算法;其次,针对UCT算法的最优着法需求,引入当前估值因子(WINK)和次优节点平衡因子(UCTK), 以此辅助增加估值的精确度,决策胜率与着法的优先关系,提高算法的收敛效率;最后,构造了爱恩斯坦棋博弈系统,通过与基于极大极小算法、α-β算法以及蒙特卡罗算法的爱恩斯坦棋博弈系统进行机-机对弈,其胜率提高了25%,并在全国计算机博弈大赛中获冠军,这进一步验证了改进算法的有效性。     

采用时间差分算法的九路围棋机器博弈系统

围棋机器博弈是机器博弈中重要的分支之一,其庞大的博弈空间给机器博弈研究者带来了巨大挑战.目前围棋机器博弈多采用静态估值搜索与蒙特卡洛树搜索,故将时间差分算法引入至九路围棋机器博弈系统中,提出基于时间差分算法的围棋机器博弈系统模型,该博弈系统具有一定的自学习能力,能在不断的对弈中逐步提高博弈能力.通过与采用α-β搜索算法的博弈系统进行实际对弈,证明了该方法的可行性.     

计算机博弈中序贯不完美信息博弈求解研究进展

计算机博弈是人工智能的果蝇和通用测试基准.近年来,序贯不完美信息博弈求解一直是计算机博弈研究领域的前沿课题.围绕计算机博弈中不完美信息博弈求解问题展开综述分析.首先,梳理计算机博弈领域标志性突破的里程碑事件,简要介绍4类新评估基准,归纳3种研究范式,提出序贯不完美信息博弈求解研究框架;然后,着重对序贯不完美信息博弈的博弈模型和解概念进行调研,从博弈构建、子博弈和元博弈、解概念以及评估3方面进行简要介绍;接着,围绕离线策略求解,系统梳理算法博弈论、优化理论和博弈学习3大类方法,围绕在线策略求解,系统梳理对手近似式学习、对手判别式适变和对手生成式搜索3大类方法;最后,从环境、智能体(对手)和策略求解3个角度分析面临的挑战,从博弈动力学和策略空间理论、多模态对抗博弈和序贯建模、通用策略学习和离线预训练、对手建模(剥削)和反剥削、临机组队和零样本协调5方面展望未来研究前沿课题.对于当前不完美信息博弈求解问题进行全面概述,期望能够为人工智能和博弈论领域相关研究带来启发.     

中国象棋人机对弈的自学习方法研究

机器博弈被认为是人工智能领域最具挑战性的研究方向之一。中国象棋计算机博弈的难度绝不亚于国际象棋，但是涉足学者太少，具有自学习能力的就更少了。介绍了中国象棋人机对弈原理，给出了近年来几类典型的评估函数学习方法及其原理，通过比较得出了最适合中国象棋使用的学习方法。分析了这些方法尚存在的问题，并提出了未来研究方向。     

一种基于DSP和FPGA的博弈硬件方案实现

为了提高博弈系统处理速度，设计一套专用的多处理器系统，达到博弈处理能力要求是一种切实可行的方案．而多处理器系统的并行计算和任务分配调度也为这套博弈硬件系统提出了难题．在介绍国际象棋博弈计算机发展历程及其典型系统的结构基础上，给出了采用松散耦合型的多处理器博弈硬件体系结构．并且详细介绍了基于DSP和FPGA的一种解决方案．根据博弈硬件系统结构和博弈任务的特点，给出了一种有效的任务调度方案．     

中国象棋人机对弈的自学习方法研究

机器博弈被认为是人工智能领域最具挑战性的研究方向之一。中国象棋计算机博弈的难度绝不亚于国际象棋,但是涉足学者太少,具有自学习能力的就更少了。介绍了中国象棋人机对弈原理,给出了近年来几类典型的评估函数自学习方法及其原理,通过比较得出了最适合中国象棋使用的学习方法。分析了这些方法尚存在的问题,并提出了未来的研究方向。     

中国象棋计算机博弈关键技术分析

机器博弈被认为是人工智能领域最具挑战性的研究方向之一．国际象棋的计算机博弈已经有了很长的历史，并且经历了一场波澜壮阔的“搏杀”，“深蓝”计算机的胜利也给人类留下了难以忘怀的记忆．中国象棋计算机博弈的难度绝不亚于国际象棋，不仅涉足学者太少，而且参考资料不多．在国际象棋成熟技术的基础上，结合在中国象棋机器博弈方面的多年实践，总结出一套过程建模、状态表示、着法生成、棋局评估、博弈树搜索、开局库与残局库开发、系统测试与参数优化等核心技术要点，最后提出了当前研究的热点与方向．     

The adversarial activity model for bounded rational agents

Multiagent research provides an extensive literature on formal Beliefs-Desires-Intentions (BDI) based models describing the notion of teamwork and cooperation. However, multiagent environments are often not cooperative nor collaborative; in many cases, agents have conflicting interests, leading to adversarial interactions. This form of interaction has not yet been formally defined in terms of the agents mental states, beliefs, desires and intentions. This paper presents the Adversarial Activity model, a formal Beliefs-Desires-Intentions (BDI) based model for bounded rational agents operating in a zero-sum environment. In complex environments, attempts to use classical utility-based search methods with bounded rational agents can raise a variety of difficulties (e.g. implicitly modeling the opponent as an omniscient utility maximizer, rather than leveraging a more nuanced, explicit opponent model). We define the Adversarial Activity by describing the mental states of an agent situated in such environment. We then present behavioral axioms that are intended to serve as design principles for building such adversarial agents. We illustrate the advantages of using the model as an architectural guideline by building agents for two adversarial environments: the Connect Four game and the Risk strategic board game. In addition, we explore the application of our approach by analyzing log files of completed Connect Four games, and gain additional insights on the axioms’ appropriateness.