江苏龙网

  1. 首页 > 人文 > >

机器之心今天，我们来教AI下国际象棋( 二 )


代码实现方式：
第二步 ， 计算总的棋子数 ， 并把棋子总数传递给 material 函数 。
第三步 ， 计算得分 。 material 函数得分的计算方法是：用各种棋子的权重乘以该棋子黑白两方个数之差 ， 然后求这些结果之和 。 而每种棋子的得分计算方法是：该棋子在该游戏实例中所处位置的 piece-square 值的总和 。
【机器之心今天，我们来教AI下国际象棋】第四步 ， 计算评价函数 ， 此时将会返回白棋的 material 得分和各棋子单独得分之和 。
机器之心今天，我们来教AI下国际象棋
本文插图
评价函数流程图
移动选择
算法的最后一步是用 Minimax 算法中的 Negamax 实现进行移动选择 ， Minimax 算法是双人游戏（如跳棋等）中的常用算法 。 之后使用 Alpha-Beta 剪枝进行优化 ， 这样可以减少执行的时间 。
现在让我们深入研究一下 minimax 算法 。 该算法被广泛应用在棋类游戏中 ， 用来找出失败的最大可能性中的最小值 。 该算法广泛应用于人工智能、决策论、博弈论、统计和哲学 ， 力图在最坏的情况下将损失降到最低 。 简单来说 ， 在游戏的每一步 ， 假设玩家 A 试图最大化获胜几率 ， 而在下一步中 ， 玩家 B 试图最小化玩家 A 获胜的几率 。
为了更好地理解 minimax 算法 ， 请看下图：
机器之心今天，我们来教AI下国际象棋
本文插图
维基百科中 minimax 树举例
为了得到更好的结果 ， 使用 minimax 变体 negamax ， 因为我们只需要一个最大化两位玩家效用的函数 。 不同点在于 ， 一个玩家的损失等于另一个玩家的收获 ， 反之亦然 。
就游戏而言 ， 给第一个玩家的位置值和给第二个玩家的位置值符号是相反的 。
机器之心今天，我们来教AI下国际象棋
本文插图
negamax 示例
首先 ， 我们将 alpha 设为负无穷大 ， beta 设为正无穷大 ， 这样两位玩家都能以尽可能差的分数开始比赛 ， 代码如下：
下面让我们以流程图的方式来解释：
机器之心今天，我们来教AI下国际象棋
本文插图
search 函数的流程图
下一步是进行 alpha-beta 的剪枝来优化执行速度 。
机器之心今天，我们来教AI下国际象棋
本文插图
来自维基百科的 alpha-beta 剪枝说明
代码如下：
现在 ， 让我们用下面给出的流程图来调整 alphabeta 函数：

机器之心今天，我们来教AI下国际象棋
本文插图
现在是静态搜索 ， 这种搜索旨在仅评估静态位置 ， 即不存在致胜战术移动的位置 。 该搜索需要避免由搜索算法的深度限制所引起的水平线效应（horizon effect） 。
代码如下：
简单总结一下 quiesce 函数：
机器之心今天，我们来教AI下国际象棋
本文插图
quiesce 函数流程图 。
测试 AI
开始测试前 ， 需要导入一些库：
测试有 3 项：
AI 对弈人类；
AI 对弈 AI；
AI 对弈 Stockfish 。
1. AI 对弈人类：
机器之心今天，我们来教AI下国际象棋
本文插图
AI 选择从 g1 到 f3 ， 这是一个很明智的选择 。
2. AI 对弈 AI：
机器之心今天，我们来教AI下国际象棋


推荐阅读


上一篇：G时尚|胡一天身穿硬朗有型的羊毛西装外套搭配清爽干净的白衬衣

下一篇：|看秀｜非遗工艺让中国风更惊艳，把超酷“新中式”穿出街