我想编写一个国际象棋引擎，学习如何做出好的动作并赢得其他玩家。我已经编写了国际象棋棋盘的代表和一个输出所有可能动作的函数。所以我只需要一个评估功能，它可以说明董事会的特定情况有多好。因此，我想使用人工神经网络，然后应该评估给定的位置。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个神经元构成的网络：棋盘上有六个独特的棋子和64个场。因此，对于每个场，我们需要6个神经元（每个场一个）。如果有白色片段，则输入值为1.如果有黑色片段，则值为-1。如果那个场上没有那种，那么值就是0.除此之外，玩家应该有1个神经元移动。如果是白色，则输入值为1，如果是黑色，则值为-1。
我认为神经网络的配置非常好。但缺少主要部分：如何将这种神经网络实现为编码语言（例如Delphi）？我认为每个神经元的权重在开始时应该是相同的。根据匹配的结果，然后应调整权重。但是怎么样？我想我应该让两个电脑玩家（都使用我的引擎）互相对抗。如果怀特获胜，布莱克会得到其权重不佳的反馈。
如果你可以帮助我将神经网络实现为编码语言（最好的是Delphi，否则是伪代码）会很棒。提前谢谢！
答案 0 :(得分：10)
如果有人随机找到此页面。鉴于我们现在所知道的，OP提出的建议几乎肯定是可能的。事实上，我们设法为一个拥有更大状态空间的游戏 - Go（https://deepmind.com/alpha-go）。
答案 1 :(得分：9)
如果您还使用alpha-beta修剪做一些经典的mini-max预测，我不明白为什么你不能为静态评估器提供神经网络。很多国际象棋引擎都使用minimax和一个脑static静态评估器，只是将这些东西加起来;如果你有足够的极小极大程度，这并不重要。我不知道网络会有多大的改进，但没有什么可失去的。训练它会很棘手。我建议使用一个向前看很多动作的引擎（并且需要大量的CPU等）来训练评估者一个向前看较少动作的引擎。这样你就得到了一个不占用太多CPU的引擎（希望如此）。
答案 2 :(得分：4)
培训人工神经网络需要的是backpropagation learning或某种形式的genetic algorithm。但国际象棋是一个如此复杂的游戏，简单的人工神经网络将学习如何发挥它的作用 - 如果学习过程没有受到监督，则更是如此。
此外，您的问题没有说明层数。您想使用385个输入神经元来编码当前情况。但是你想如何决定该怎么做？关于每个神经元？最高的激励获胜？但往往有不止一种可能的举动。
此外，您将需要几个隐藏层 - 可以用输入表示的功能和没有隐藏层的输出层实际上是有限的。
所以我不想阻止你尝试，但是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，我试图建立并训练人工神经网络来玩井字游戏......我失败了。我建议先尝试这么简单的游戏。
答案 3 :(得分：4)
去过那里，做到了。由于你的问题没有连续性（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1个变化），NN几乎没有机会起作用。它在我的实验中从未做过。
我宁愿看到一个带有特殊启发式的模拟退火系统（其中还有很多）来评估该位置的价值......
但是，如果您使用NN设置，则相对容易表示。一般NN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，以及一个基于输入值计算下一个激活值的转换公式，即具有链接的所有节点的激活值。
更经典的NN，即输入层，输出层，每层相同的神经元，没有时间依赖性，因此可以由输入节点数组，输出节点数组和连接它们的节点的链接图。每个节点拥有一个当前激活值，以及它转发到的节点列表。计算输出值只是将输入神经元的激活设置为输入值，并依次迭代每个后续层，使用转换公式计算前一层的激活值。当你到达最后一个（输出）图层时，你就得到了结果。
答案 4 :(得分：4)
我在这里看到的主要问题是培训。你说你希望你的ANN能够掌握当前的董事会职位，并评估一名球员的优异表现。 （我假设您将为玩家采取一切可能的行动，将其应用于当前的董事会状态，通过ANN进行评估，然后选择具有最高输出的那个 - 即：爬坡）
我看到你的选择是：
开发一些启发式函数来评估电路板状态并训练网络。但是当你可以使用你的启发式时，这就引出了为什么要使用人工神经网络的问题。
使用一些统计测量，例如“从这个电路板配置中白色或黑色赢了多少个游戏？”，这将为您提供白色或黑色之间的适应值。难点在于问题空间大小所需的训练数据量。
使用第二个选项，你总是可以从大师游戏中获取它的电路板序列，并希望ANN有足够的覆盖范围来开发解决方案。
由于问题的复杂性，我想尽可能地抛出最大的网络（即：大量的内部节点），而不会过多地减慢训练速度。
答案 5 :(得分：4)
这是可能的，但不是无关紧要的。
https://erikbern.com/2014/11/29/deep-learning-for-chess/
为了训练他的评估功能，他利用了很多计算能力来实现这一目标。
总的来说，您可以按照以下方式进行操作。您的评估函数是前馈NN。让矩阵计算导致标量输出，估计移动的好坏程度。网络的输入向量是由板上所有块表示的板状态，因此说白色棋子是1，白色骑士是2 ...而空白空间是0.示例板状态输入向量只是0的序列-12＆＃39;第对于许多游戏，可以使用大师游戏（例如，在fics数据库中可用）来训练该评估，从而最小化当前参数所说的最高估值与大师所做的移动（其应具有最高估值）之间的损失。这当然假设大师的动作是正确和最佳的。
答案 6 :(得分：1)
来到这里说塞拉斯说的话。使用minimax算法，您可以期待能够向前看N个动作。使用Alpha-beta修剪，您可以将其扩展到理论上2 * N的移动，但更实际的是3 * N / 4移动。神经网络在这里非常合适。
也许可以使用遗传算法。
答案 7 :(得分：1)
阅读blondie24：http://www.amazon.co.uk/Blondie24-Playing-Kaufmann-Artificial-Intelligence/dp/1558607838。
它涉及跳棋而不是国际象棋，但原则是相同的。
答案 8 :(得分：0)
您的输入算法是合理的 - 所有位置，所有棋子和两个玩家都被计算在内。对于游戏板的每个过去状态，您可能需要一个输入层，以便将过去的事件再次用作输入。
输出图层应该（以某种形式）让棋子移动，以及移动到的位置。
使用包含所有神经元权重和突触强度的连接组编写遗传算法，并开始多个分离的基因库，每个基因库中都有大量的连接组。
让他们互相玩耍，保持最佳状态，交叉并改变最好的连接点以重新填充游泳池。