11、游戏树搜索与神经网络入门：从围棋到手写数字识别

游戏树搜索与神经网络入门：从围棋到手写数字识别

1. 游戏树搜索相关要点

1.1 战术模式与重采样注意事项

构建良好的战术模式列表需要一定的围棋战术知识。若想了解更多可用于重采样的战术模式，可查看开源MCTS围棋引擎Fuego（http://fuego.sourceforge.net/ ）或Pachi（https://github.com/pasky/pachi ）的源代码。在实现重采样时要谨慎，如果采样策略的逻辑计算缓慢，就无法执行足够多的采样，可能会抵消更复杂策略带来的优势。

1.2 礼貌的围棋AI：适时认输

开发游戏AI不仅要追求最佳算法，还要为人类对手创造有趣的体验。让人类玩家获得获胜的满足感是其中一部分乐趣。例如，之前实现的随机围棋AI（RandomAgent）就很让人抓狂，人类玩家领先之后它仍会继续下到棋盘满为止。更好的做法是让AI能优雅地认输。可以在基本的MCTS实现基础上添加友好的认输逻辑。MCTS算法在选棋过程中会计算估计胜率，在同一回合内可比较这些胜率来选棋，也可比较同一局游戏不同时间点的胜率。当最佳选择的胜率足够低（如10%）时，就让AI认输。

1.3 树搜索算法概述

• 通用树搜索 ：树搜索算法会评估许多可能的决策序列以找到最佳方案，在游戏和一般优化问题中都会用到。
• 极小极大树搜索 ：适用于游戏的树搜索变体是极小极大树搜索，在这种搜索中，两个目标相反的玩家交替行动。不过，完整的极小极大树搜索仅适用于极其简单的游戏（如井字棋），对于复杂游戏（如国际象棋或围棋），需要缩小搜索树的规