如何在计算机国际象棋中使用人工智能

在某些（历史）论文中，国际象棋被称为人工智能的果蝇。尽管我认为在当前的研究中，仅应用搜索算法最多只能算是高级计算机科学，但我相信仍然存在可以应用（和实践）人工智能技术的领域。

一个简单的例子是开书学习，因为该程序不适合某些类型的职位，因此可以教该程序在开场中使用还是不使用某些动作。我们可以使用一种强化学习的形式并将其自动化：我想我可以对自己进行编程，并增加赢得线路的可能性并降低失去线路的可能性。

更为复杂的示例是使用一种学习评估功能（例如，可以调整块平方表的值）。但是，我在想：

• 由于存在大量实际位置（相对于实际的打开线的数量）而产生了所有噪音
• 以及计算机国际象棋游戏的成本（持续时间）以及玩游戏的需求。

如何才能有效地做到这一点？（或者我应该看看其他技术，例如神经网络。）

象棋的整个州空间是巨大的-大概可以估计为10 ⁴³（香农数（Shannon，1950），（维基百科））。

您提出的想法-强化学习的代理人互相玩耍以学习游戏-已成功应用于步步高-TD-Gammon （Tesauro，1995年）（Sutton＆Barto的强化学习章节）。它还使用神经网络来估计游戏的价值函数。但是，此问题要简单得多，因为西洋双陆棋中的州数大大小于国际象棋中的州，即：18,528,584,051,601,162,496（西洋双陆棋论坛存档线程）。

但是，如果您在最初的几步动作之后就结束了比赛，并且只打算学习“良好的开局”，那么您可以通过类似的方法来成功。主要问题是在开局后评估游戏，这似乎很困难。仅在众所周知的空缺之后与已建立位置的相似性度量是不够的，因为如果对手做出愚蠢的举动，位置可能离它们很远（因此，这并不是因为学习代理人的错误，所以即使“不正确” ”应该被评估为良好的结果）。

参考文献：

• 香农，克洛德（Claude E）。“为下棋编程计算机。” 在《哲学杂志》，第7系列，第41期，没有。314（1950年3月）：256-75。

• 杰拉德·特索罗（Gerald Tesauro）。1995年。时差学习和TD-Gammon。公社 ACM 38，3（1995年3月），58-68

我敢肯定，与简单的蛮力相比，教科书中任何可能的（或怪异的）AI或ML方法都已经尝试过并且几乎失败了。

我个人的观点是，象棋本身对现代AI不再有兴趣...简单地说，因为它可以解决：仅通过使用现代计算机和蛮力即可解决。因此，我不认为有必要创建一个“智能”系统来更有效地解决它（在我的手机中可以正常工作），而且我相信甚至不需要一些未知的东西。 “智能”方法存在。

我认为值得注意的是，为了确定如何解决AI问题，您必须对其进行定义。它是完全可观察还是部分可观察，以及它是确定性还是随机 /机会。

国际象棋是完全可观察的（例如与五子棋，垄断或扑克不同），它也是确定性的（例如与Checkers和Go等相似）。最后，存在对手，因此，在确定下一个最佳动作时，使用“ 对抗搜索”类型MiniMax等算法。对问题进行分类可以帮助我们确定要应用哪种搜索算法。而且在国际象棋的情况下，对抗搜索将是合适的。

Minimax特别具有

$O(b^n)$

$O(bm)$

因此，在国际象棋的情况下，b将为35，而m将为100。有一些解决方法或提高其效率的策略，例如alpha-beta截止。