极小极大算法在国际象棋中不追求一步将死

我的目标是编写一个性能尚可的国际象棋引擎,在下面的局面中,引擎应该能够轻松找到两步将死的解法,因为它的搜索深度为4-5步。

国际象棋棋盘,FEN格式:rr2k3/8/8/8/8/8/8/4K3(黑方走棋)

AI的第一步是移动车到a2以困住白方国王,白方国王移动到f1,但AI并没有选择将死,而是将车移动到c2。

  var initial_depth = depth;  var bestMove = null;  var nodes = 0;  var ret = await minimax(position, depth, alpha, beta, maximizingPlayer);  console.log("nodes visited: " + nodes);  return ret;   async function minimax(position, depth, alpha, beta, maximizingPlayer) {    nodes++;    if (maximizingPlayer) {      var validMoves = await getValidMoves(position, ArrtoFEN(position) + " w");    } else {      var validMoves = await getValidMoves(position, ArrtoFEN(position) + " b");    }    if (validMoves.length < 1 || depth == 0) {      var eval = await getEval(position);      return [eval, null];    }     if (maximizingPlayer) {      var maxEval = Number.NEGATIVE_INFINITY;      for (var i = 0; i < validMoves.length; i++) {        var move = validMoves[i];                var testbrd = makeMove(move, position)  //not the actual code. shortend for Readability                 var eval = await minimax(testbrd, depth - 1, alpha, beta, false);        if (eval[0] > maxEval) {          maxEval = eval[0];          if (initial_depth == depth) {            bestMove = move;            console.log("current bestmove: " + bestMove);          }        }        alpha = Math.max(alpha, eval[0]);        if (beta <= alpha) {          break;        }      }      return [maxEval, bestMove];    } else {      var minEval = Number.POSITIVE_INFINITY;       for (var i = 0; i < validMoves.length; i++) {        var move = validMoves[i];                   var testbrd = makeMove(move, position)//not the actual code. shortend for Readability         var eval = await minimax(testbrd, depth - 1, alpha, beta, true);        if (eval[0] < minEval) {          minEval = eval[0];          if (initial_depth == depth) {            bestMove = move;            console.log("current bestmove: " + bestMove);          }        }        beta = Math.min(beta, eval[0]);        if (beta <= alpha) {          break;        }      }       return [minEval, bestMove];    }  }}

回答:

这是因为AI认为任何移动都能获胜,而你的代码中没有条件告诉引擎一步将死比五步将死更好。如果在搜索结束时发现没有合法移动并且处于被将死的状态,那么你就被将死了。在这种情况下,你需要返回一个将死分数(一个很大的负值)并加上从这一步开始的步数。这样,你就能让引擎在更少的步数内将死,而不是在更多的步数内将死。

我建议你改用Negamax算法而不是极小极大算法。这样可以大大减少代码量,并且更容易调试。

Related Posts

L1-L2正则化的不同系数

我想对网络的权重同时应用L1和L2正则化。然而,我找不…

使用scikit-learn的无监督方法将列表分类成不同组别,有没有办法?

我有一系列实例,每个实例都有一份列表,代表它所遵循的不…

f1_score metric in lightgbm

我想使用自定义指标f1_score来训练一个lgb模型…

通过相关系数矩阵进行特征选择

我在测试不同的算法时,如逻辑回归、高斯朴素贝叶斯、随机…

可以将机器学习库用于流式输入和输出吗?

已关闭。此问题需要更加聚焦。目前不接受回答。 想要改进…

在TensorFlow中,queue.dequeue_up_to()方法的用途是什么?

我对这个方法感到非常困惑,特别是当我发现这个令人费解的…

发表回复

您的邮箱地址不会被公开。 必填项已用 * 标注