论文部分内容阅读
围棋长久以来被认为是人工智能领域的一大挑战,并且为人工智能研究提供一个很好的实验平台。相对于国际象棋的搜索树只有几十个分支系数,围棋在每一步棋的选择上多达几百个,这使得解决围棋问题极其复杂。在MCTS (蒙特卡洛树搜索算法)出现以前,计算机无法战胜业余选手。目前计算机围棋在9×9的小棋盘上已经达到了专业水平,但在19×19的大棋盘上棋力一直很低。虽然很多研究人员对计算机围棋算法的改进都做出了不少尝试,但仍然无法从根本上解决计算机围棋从小棋盘到大棋盘的棋力大幅下降的问题。一种可能的改进是用多个并行的局部UCT(信心上限树搜索算法)搜索来替代全局UCT搜索,以期用同样的计算资源来达到更深的有效搜索深度。本文力图沿着这一研究思路,做一些初步的尝试。本文从围棋死活问题着手探索局部搜索算法的适用性,以及围棋局部求解的复杂度问题。本文的主要内容如下：1)讨论了计算机围棋领域的历史、研究现状和研究困难。阐述了计算机围棋领域中涉及到的模型、理论及经典搜索算法,分析了各搜索算法的一些特点。论证了改进UCT算法在计算机围棋领域的优越性。2)提出了封闭域UCT算法的概念,然后通过改写Fuego的全局UCT搜索算法,实现了封闭域UCT搜索算法,并在64个封闭域围棋死活问题上进行了测试,将封闭域UCT算法与GoTools(一种经典的围棋死活求解程序)以及职业棋手解死活题的正确率和速率比较。在较快模式的围棋死活解题过程中,速度和正确率要比GoTools和职业棋手要好。3)提出了最小迭代次数的概念用以分析搜索时间规模与初始空白点数之间的关系。初步结果表明,封闭域UCT算法能够在不使用任何领域知识的情况下,把给定围棋死活问题的初始分支系数从5-16降低到2.3以下。从正确率和速度两项指标来看,证明封闭域UCT算法在围棋死活问题上具有有效性,另外也反映了多个并行的局部UCT搜索来解决围棋全局搜索问题的研究思路具备可行性。