Artificial intelligence 如何为国际象棋编程一个神经网络？

我想编程一个国际象棋引擎，它可以学习如何做出好的动作，并战胜其他玩家。我已经编写了一个棋盘的表示和一个输出所有可能动作的函数。因此，我只需要一个评估函数，该函数表示董事会的特定情况有多好。因此，我想用一个人工神经网络来评估一个给定的位置。输出应该是一个数值。值越高，白人玩家的位置越好

我的方法是建立一个由385个神经元组成的网络：棋盘上有6个独特的棋子和64个字段。因此，对于每个区域，我们取6个神经元（每片1个）。如果有白色块，则输入值为1。如果有黑色块，则值为-1。如果该字段上没有类似的内容，则值为0。除此之外，玩家还应该有一个神经元来移动。如果轮到白色，则输入值为1；如果轮到黑色，则输入值为-1

我认为神经网络的配置相当好。但主要的部分是缺失的：如何将这种神经网络实现为编码语言（如Delphi）？我认为每个神经元的权重在开始时应该是相同的。然后根据比赛结果调整重量。但是怎么做呢？我想我应该让两个电脑玩家（都用我的引擎）互相玩。如果白人获胜，黑人得到的反馈是，他们的体重不好

---

所以，如果你能帮我把神经网络实现成一种编码语言，那就太好了（最好是Delphi，否则就是伪代码）。提前谢谢

训练一个ANN所需要的要么是某种形式的a。但国际象棋是一个如此复杂的游戏，一个简单的人工神经网络很难学会下棋——如果学习过程没有监督的话，情况会更糟

此外，您的问题没有说明层的数量。你想用385个输入神经元来编码当前的情况。但是你想如何决定该做什么呢？每场神经元数？最高激励获胜？但可能的举措往往不止一个

此外，您还需要几个隐藏层-可以用输入层和输出层表示的功能实际上是有限的，而不需要隐藏层

所以我不想阻止你们尝试，但在一年左右的时间内成功实施和培训的机会几乎为零

---

当我16岁左右的时候，我试着建造和训练一个安玩井字游戏。。。我失败了。我建议先试试这样一个简单的游戏。

去过那里，就这么做了。由于您的问题没有连续性（一个位置的值与另一个位置没有密切关系，一个输入的值只有一个变化），因此NN工作的可能性很小。在我的实验中从来没有

我宁愿看到一个模拟退火系统，用一个特别的启发式（有很多）来评估位置的价值

但是，如果设置为使用NN，则表示相对容易。一般的神经网络只是一个图，每个节点都是一个神经元。每个神经元都有一个当前激活值和一个转换公式，用于根据输入值计算下一个激活值，即所有与它有链接的节点的激活值

---

因此，一个更经典的神经网络，即具有输入层、输出层、每个层的相同神经元，并且没有时间依赖性，可以由一个输入节点数组、一个输出节点数组和一个连接这些节点的节点链接图来表示。每个节点都拥有一个当前激活值，以及它转发到的节点列表。计算输出值只需将输入神经元的激活设置为输入值，然后依次迭代每个后续层，使用转换公式计算前一层的激活值。当您到达最后一层（输出）时，您就有了结果。

我在这里看到的主要问题是培训。你说你想让你的ANN担任目前的董事会职位，并评估它对一名球员有多好。（我假设你会为一名玩家采取所有可能的行动，将其应用到当前的棋盘状态，通过ANN进行评估，然后采取输出最高的行动——即：爬山）

在我看来，您的选择是：

• 开发一些启发式函数来评估电路板状态并训练网络脱离该状态。但这就引出了一个问题，为什么要使用人工神经网络，而你只能使用启发式算法

• 使用一些统计度量，例如“此棋盘配置中白人或黑人赢得多少场比赛？”，这将为您提供介于白人或黑人之间的适合度值。这方面的困难在于问题空间大小所需的训练数据量

有了第二个选项，你可以随时从grandmaster游戏中输入棋盘序列，并希望有足够的覆盖率供ANN开发解决方案

---

由于问题的复杂性，我希望尽可能地使用最大的网络（即：许多内部节点），而不必太慢地进行训练。

我不明白，如果你还使用alpha-beta修剪进行一些经典的mini-max前瞻，为什么不能使用神经网络作为静态评估器。许多国际象棋引擎使用minimax和一个死气沉沉的静态计算器，它只是将棋子或其他东西相加；如果你有足够的极大极小值，这并不重要。我不知道网队会有多大的进步，但几乎没有什么损失。不过，训练会很棘手。我建议使用一个能够预见很多动作（并且需要CPU负载等）的引擎来训练评估者，使其能够预见更少的动作。这样的话，你的引擎就不用花那么多时间了