20、基于深度学习的对手模型选择

基于深度学习的对手模型选择

在计算机游戏领域，准确预测对手的实力是提升程序表现的关键技术之一。本文将聚焦于中国暗棋这一游戏，探讨如何利用深度学习来选择合适的对手模型，以提高程序在比赛中的排名。

1. 引言

在计算机游戏中，许多游戏程序在面对不同风格的对手时，实力表现会有很大差异。为了在与不同程序对战时调整策略，获得最佳结果，准确估计对手的实力至关重要。

在国际象棋等游戏中，有一种策略叫做“蔑视因子”，它表示两个程序之间的实力差异。当蔑视因子非负时，意味着对手实力与我们相当或更强，此时即使我们有小优势，也可接受平局；当蔑视因子为负时，对手实力较弱，我们即使有小劣势也不接受平局。

在计算机游戏锦标赛中，有老选手和新选手。对于老选手，我们可以根据以往成绩估计其实力；对于新选手，需要设计方法来预测他们的实力。在中国暗棋中，了解对手实力很重要，因为我们可以根据对手强弱做出不同决策，比如对手弱时牺牲高价值棋子来获胜。而且，中国暗棋容易出现平局，通过小兵追将就能实现，同时它也是非确定性游戏，翻开暗棋可能使局势逆转。

本文提出通过将游戏的前20步棋输入深度学习神经网络模型来估计对手程序的实力，实验结果表明该方法能提高程序在比赛中的预期得分。

2. 背景知识

2.1 术语解释

• 棋盘位置（b） ：表示游戏的状态。
• 合法走法（p） ：能将当前棋盘位置转换为下一个棋盘位置的动作，即T(b, p) = b′，其中b′是走法p应用于棋盘位置b后的棋盘位置。