玩围棋的算法？答案

【问题标题】：Algorithms to play Game of Go?玩围棋的算法？
【发布时间】：2011-04-05 09:37:05
【问题描述】：

播放game of Go 的最新算法是什么？
哪些文章（描述算法）最适合阅读？

有一个专门讨论 Go 的 StackExachge site，但没有足够的人在那里提出这个问题。

【问题讨论】：

【解决方案1】：

This是最基础的资源启动，但是我敢说还是挺全的

【讨论】：

【解决方案2】：

当前所有顶级机器人都使用基于蒙特卡罗的算法。它们通常非常适合围棋，并且有许多额外的层来支持 MC 算法预测每一步的结果。您可以查看一个开源机器人，例如 Fuego。

【讨论】：

【解决方案3】：

我通过使用 alpha-beta 剪枝在 Prolog 中实现了类似的东西。这种方法可以很容易地与 Go 一起使用，因为它是一个完美的信息游戏，其中

您可以从 Minimax trees 开始，然后深入挖掘 AB-pruning、negmax 等聪明的方法。

很酷的事情是，您可以首先开发出最佳动作的引擎，然后尝试找到最佳的启发式算法（也可以让您的 AI 与其他 AI 相互竞争，看看哪个更聪明）来决定多少好就是一招。

当然，找到一个好的启发式是实施的一部分，您必须在其中研究游戏规则并且需要考虑各种策略。所以它是更复杂但也是最有趣的一个。

【讨论】：

虽然在技术上可以使用带有 AB 剪枝的 minimax，但 Go 的巨大状态空间使其不切实际，即使不是完全没用。据估计，围棋状态比宇宙中的原子还要多。您可以将极小极大树解析到时间的尽头，但仍然无法比人类玩得更好。
这与没有简单启发式的事实相结合。甚至决定谁赢得了一场完整的比赛也绝非易事。
评估位置的难度远比搜索空间的大小重要。在国际象棋中，有一个简单的线性启发式算法，主教的价值是棋子的 3 倍，等等。没有什么类似的东西可以计算来评估一个走位，即使是一个不接近的位置。如果您将国际象棋移到更大的棋盘上，以便有更多可能的位置，则可能需要修改棋子评估，但可能仍然有一个简单的线性评估器可用于识别不平衡的位置。没有这些，AI 就无法引导自己走向合理的游戏。

【解决方案4】：

Amirim 项目尝试使用结合 ab-pruning 和分区搜索方法的极小极大方法来让 Go AI 工作。他们似乎取得了一些成功，但我不记得他们通过与人类对手比赛来证明他们的 AI。

我建议你查找partition search。

不幸的是，我与 Amirim 项目的链接现在已失效 (here)。

【讨论】：