国际象棋引擎如何“思考”？

我想知道的是如何对引擎进行编程以查找运动。我确定他们首先会计算出最强制的行，例如捕获和检查。但是，微妙而深入的位置移动又如何呢？他们似乎也很快找到了它们（通常来说。当然，他们偶尔会错过这样的举动）。像这样，他们如何编程以寻找安静的动作/位置思想？他们不能仅仅强行采取任何行动，因为那会花费太长时间，因此应该有一些聪明的方法让他们真正迅速地达到最佳行动。我对了解这一点很感兴趣，因为我认为这也会帮助玩家思考现实世界中的棋盘。

通常，国际象棋引擎使用决策树。树的根是当前位置，并且每个位置都有一个子节点，可以通过合法移动来建立子节点。这些节点中的每个节点都有一个子节点，用于通过从其合法移动可以到达的位置。引擎将树推送到由其功能和“思考”时间定义的深度。可以简单地交叉引用可以以多种方式到达的位置，因此不必考虑多个位置。一旦创建了树，计算机就会使用一组加权规则来分析树中的最终位置，并开始删除那些不需要的或对手可以阻止其到达的位置。以这种方式砍伐这棵树，直到只剩下一招，然后计算机执行该举动。

http://www.chess.com/blog/zaifrun提供了有关创建国际象棋引擎的系列或文章，如果您想更深入地了解它们的工作原理。

您在问一个非常复杂的问题，但是回到基础知识是件好事。有两个概念需要考虑：

评价

如果显示（真实）玩家某个位置并询问“谁在这场比赛中获胜？”，他们将如何决定？他们很可能会检查一些基本的东西，例如：材质差异，零件的开发程度或“良好”定位，翻倍/隔离/连接/通过的棋子，（受控的）打开文件，距离多远在棋子上。

现在，如果需要的话，您可以根据上述方法，系统地计算排名得分。例如，您可以确定棋子的价值为1分，而经过的棋子的价值为0.3分多。孤立的或加倍的典当值可能会少一些，等等。如果将所有内容加起来，您将获得当前位置的估计值。

这称为评估，基本上所有国际象棋程序都具有一种评估位置的方法（忽略了通常非常薄弱的​​新颖AI国际象棋引擎）。

但是，微妙而深入的位置移动又如何呢？

好吧，我们只是勉强摸索了位置评估的表面。评估功能的实际实现可能是简单的，以允许每秒评估更多职位（尽管以粗略方式），或者更复杂，从而导致评估的职位更少，但置信度更高。评估功能通常会考虑成百上千的独立信息。

搜索

我从上面特别遗漏了一些东西，大多数真正的玩家会立即考虑-有什么方法可以让双方立即赢得比赛吗？有没有可见的搭档或“悬挂”件？尽管将其琐碎化很容易，但除琐碎琐事外，别无其他。

这是什么意思的球员有充分的信心相结合？最后，归结为已经计算了所有选项。真正的玩家通常不会这样做（除了琐碎的或非常强迫的队友），在大多数情况下，我们只会考虑少数选择，并排除其他似乎“无建设性”或明显导致亏损的选择。在计算过程中，我们经常会犯错误，例如，我们可能会意识到移动指令的更改会使威胁消失。等等。关键是要完全确定一个组合，实际上您需要一直计算得出其结论，并假设每个玩家只会向他们提供最好的移动（这称为“最小/最大”）。

现在，由于国际象棋的搜索空间（这是“未来所有可能的移动”所指的空间）要比计算机可以计算的空间大得多，因此需要做出折衷。就像人类一样，计算机可以根据某些标准决定不考虑整个思路。这就是所谓的启发式。值得一提的是，虽然只有通过蛮力才能真正确定一个组合，但是复杂的评估功能通常可以检测到威胁的存在（例如，我们可以计算叉，串机会等，以指导该方向的搜索） ）。

最后，尽管计算机速度极快，但启发式技术使它们能够进行如此深入的计算。话虽如此，您可能会惊讶于现代引擎如何全面计算，即使在快速游戏中，通常也超过了3个动作。

结论/全部结合

因此，总而言之-评估功能内置许多智能功能（例如，评估功能所考虑的因素比普通玩家要多），启发式技术可以使计算机消除其认为可能结局不佳的想法，而且计算机速度非常快。加上它们，它们很难被击败。

我同意答案。

我记得通用（Roman Dzindzichashvili）总经理在罗马的一个实验室视频中谈论它，我不记得它是什么视频（如果有人知道细节，请编辑我的答案）。

罗曼说，弗里茨发动机的开发商是他的朋友。因此，罗曼（Roman）对弗里茨（Fritz）进行了测试，看它有多好，开发人员告诉罗曼（Roman），为了让弗里茨做出复杂的决定（例如，牺牲材料以换取位置优势），他们必须改变零件的价值，例如告诉程序一个坏的主教值得一分，在对角线上的主教值得七分，骑士在近身位置值得五分...

我不知道每个零件的确切数字，但是这就是它的工作方式，现在您的引擎在牺牲一个糟糕的主教身上没有任何问题，或者您可以告诉他每个位置的价值。

编辑

另请参阅国际象棋编程维基。

计算机不可能看起来足够深（25层或更多）并检查所有可能的移动。

使得成为可能的是称为Alpha-beta修剪的技术，这意味着与人类相似（但更好）的计算机仅遵循有希望的延续。

他们不断评估位置（基于一些预先编码的规则，评估材料，国王安全，活动，当兵结构等），并研究可能导致其走向最佳位置的变化。

他们如何有效地做到足以在一秒钟内评估数百万个这样的职位，仍然接近魔术。

因此，总而言之，您是正确的，如果他们下战略棋，他们不会看所有举动，但是他们可以非常迅速地看一下体面的举动。问题仍然在于他们可以看到的长期计划和视野，但这正在研究中（Rybka的分析速度要慢得多，但是下棋更多，而Houdini则很浪漫，因为他的“机械心脏”计算了更多的动作并更具攻击性）。甚至计算机都有自己的风格！

Alpha-beta修剪只是意味着，如果您发现一条对您不利的行，您将不再关注该候选移动，而尝试其他移动。这是一种向后修剪，意味着您永远不会错过一个好的举动。相比之下，正向修剪更多地基于猜测。徒劳的修剪，后期裁员和剃刀都是正向修剪的类型，所有这些都取决于程序员对哪种类型的裁员的感觉。一个进行大量前期修剪的程序可能会错过导致交配的惊人牺牲，但另一方面，它消除了很多非常糟糕的举动，因此可以更深入地研究它喜欢的举动。

大多数引擎会全盘搜索前几步动作，并检查所有可能性。如果没有任何举动失败过高（即显然比您已经考虑过的举动更糟），则将搜索范围扩大一点。通常，您将继续探索每条线，直到到达静止位置（不进行检查，捕获，配合威胁等），然后进行评估。安静的动作在搜索树中很深时可能不会考虑，但是一旦您到达游戏中的实际位置，引擎就会查看所有动作，无论安静还是尖锐。实际上，有时在引擎输出中会看到这种情况，这是因为引擎突然偏向于未考虑向后移动的移动。

引擎计算速度如此之快，以至于对于他们而言，考虑首先要看哪个动作并不重要，但是对于人类来说，这是一个关键问题。乔纳森·提斯达尔（Jonathan Tisdall）在他的书《立即改善国际象棋》中回答了这个问题。当您受到攻击时，他建议您先看看最猛烈的动作。当您进行防守时，您首先要看最困难的路线。他在决定先看哪个动作时还引用了经验法则（例如集中化，协调性）。

其他可能相关的书是伊曼纽尔·内曼（Emmanuel Neimann）的《无形棋步》和查尔斯·黑尔坦（Charles Hertan）的《强迫棋步》，他们都认为考虑尖锐姿势中不太可能或令人惊讶的动作的重要性。Hertan甚至谈到要发展这种策略的“计算机眼”。