我使用Alpha-Beta剪枝创建了一个五子棋AI，它的移动水平不算愚蠢。首先，让我大致描述一下Alpha-Beta算法的评分函数。

当它接收到一个棋盘作为输入时，它首先会找出所有重复的棋子，并根据其作为威胁的有用性（由长度决定）给出4个可能值中的一个分数。然后，它会返回所有重复分数的总和。

但是，问题是我明确决定了这些分数（总共4个），它们似乎不是最佳选择。因此，我决定实现一个遗传算法来生成这些分数。每个基因将是4个分数之一。例如，硬编码分数的染色体将是：[5, 40000,10000000,50000]

然而，因为我使用遗传算法来创建评分函数的分数，我不确定应该如何实现遗传适应度函数。因此，我考虑了以下方法：

不使用适应度函数，而是将选择过程合并：如果我有两个染色体A和B，需要选择一个，我将使用A和B染色体在每个AI中模拟一场游戏，并选择获胜的染色体。

1.这是否可以替代适应度函数？

2.由于Alpha-Beta算法的特性，我需要为获胜条件赋予最大分数，在大多数情况下设置为无穷大。然而，因为我不能使用无穷大，我只是使用了一个非常大的数字。我也需要将这个分数添加到染色体中吗？还是因为它不重要且不会改变评分函数的值，就保持为常数？

3.在最初创建染色体时，随机生成，遵循标准分布被认为是最优的。然而，在我的情况下，基因有很大的偏差。这样生成染色体仍然可以吗？

回答：

这是否可以替代适应度函数？

是的，可以。这是一种相当常见的定义棋盘游戏适应度函数的方式。可能单轮比赛是不够的（但你需要进行实验）。

一个稍微不同的变体是这样的：

double fitness(Agent_k)  fit = 0  repeat M times    randomly extract an individual Agent_i (i <> k)    switch (result of Agent_k vs Agent_i)      case Agent_k wins:   fit = fit + 1      case Agent_i wins:   fit = fit - 2      case draw:           fit doesn't change  return fit

即一个代理与从种群中随机选择的M个对手（有放回但避免自我对抗）进行比赛。

增加M可以减少噪声，但需要更长的模拟时间（在一些与国际象棋相关的实验中使用M=5）。

2.由于Alpha-Beta算法的特性…

不太确定你的问题。对于静态评估函数来说，使用一个非常大的值来表示获胜条件是标准做法。

确切的值并不重要，可能不应该进行优化。

3.在最初创建染色体时，随机生成，遵循标准分布被认为是最优的。然而，在我的情况下，基因有很大的偏差。这样生成染色体仍然可以吗？

这在某种程度上与你将要使用的特定遗传算法“风格”有关。

标准遗传算法可能更适合使用非完全随机的初始值。

其他变体（例如差分进化）可能对这一方面不太敏感。

也请看一下这个问题/答案：如何开始学习零和游戏的机器学习？