进化国际象棋难题

原创于 2025-12-07 01:07:15 发布 · 272 阅读

6 ·

CC 4.0 BY-SA版权

License CC BY-NC-SA 4.0 / 自豪地采用谷歌翻译

文章标签：

#榛樿鍒嗙被

榛樿鍒嗙被专栏收录该内容

804 篇文章

订阅专栏

原文：towardsdatascience.com/evolving-chess-puzzles-e23e6a58963a?source=collection_archive---------2-----------------------#2024-03-23

进化人工智能的探索

https://medium.com/@bobby.elmes?source=post_page---byline--e23e6a58963a--------------------------------https://towardsdatascience.com/?source=post_page---byline--e23e6a58963a-------------------------------- Robert Elmes

·发表于数据科学探索 ·阅读时长：7 分钟·2024 年 3 月 23 日

–

https://github.com/OpenDocCN/towardsdatascience-blog-zh-2024/raw/master/docs/img/9cbdc030208655c6a92be84f77c5e81f.png

一个国际象棋难题，采用进化理论生成。白方两步将死…

进化算法（EAs）是人工智能的一个子集，通过模仿生物进化的方法来解决问题。从优化神经网络到资源调度，它们在现实世界中有着广泛的应用。它们的魅力在于解决问题的方式发生了转变，重点不再是描述达到目标的步骤，而是描述目标的样貌。

在本文中，我将探讨如何利用这一出色的人工智能生成国际象棋难题、它带来的好处以及我们需要考虑的缺点。

国际象棋难题是一个合法的棋盘位置，其中一个独特的走法组合会导致胜利，通常以将死结束。它们通常通过分析人类玩家之间竞争性游戏的数据库来发现。

通过仅使用代码、随机性和一点生物学知识生成自己的难题，可以创建一个有趣且多样的难题数据库。让我们探索一下如何实现。

进化算法通常通过随机生成大量结果的种群，然后使用启发式方法选择“最适合”的结果，最后将这些“最适合”的结果用于生成后续的随机种群。它们的灵感来自达尔文的自然选择理论，在一个种群中，那些更可能生存的动物也更可能将其特征传递给下一代。经过多代的演化，有时甚至是成千上万代，种群会收敛到一个最优解。那么，我们如何将这一原理应用于国际象棋呢？

种群生成

在国际象棋中，我们可以通过模拟比赛来创建一个随机合法位置的群体，其中程序轮流进行随机的黑白双方移动若干次。通过重复这一过程成千上万次，可以分析大量的随机位置的适应性。

以下是我的 Board 类中的一个函数，它返回一个棋步列表。

public List<(int[] from, int[] to)> GetAllPotentialMoves(Colour currentColour) 
{
    var activePieces = ActivePieces.Find(p => p.colour == currentColour);
    var allLegalMoves = new List<(int[] from, int[] to)>();

    foreach (var piece in activePieces.pieces) 
    {
        var moves = piece.GetLegalMoves(this);

        allLegalMoves.AddRange(moves);
    }

    return allLegalMoves;
}

适者生存

一旦生成了一个位置群体，真正棘手的部分开始了。任何进化算法的关键在于如何评估你的启发式。在我的案例中，只有那些有单一解法并导致将军的位置才会被考虑为谜题。在筛选这些结果后，启发式是衡量选择正确棋步以赢得比赛的难度。但计算机程序如何评估一个人类解读国际象棋位置的难度呢？

https://github.com/OpenDocCN/towardsdatascience-blog-zh-2024/raw/master/docs/img/0f9a1b46ce55996898c8f74f8da59b2c.png

通过一种偏向棋盘上骑士的启发式生成的谜题。2 步将军

一种方法是考察谜题的结构。国王安全吗？是否有那些不解决谜题但看起来很不错的棋步？我们是否牺牲了任何棋子？我们移动的是什么棋子？通过评估多个因素，我们可以创建一个难度衡量标准。这个方法的问题是，很难根据这么多因素来决定如何创建最终得分。僵化的规则也完全忽视了人类感知中的偏差。可能甚至是微小的棋盘变化，使得某些人更难选出正确的棋步。

那么，如何更好地了解人类的表现呢？通过利用充满真实比赛的大型数据库，机器学习模型已经训练成能够像某一等级的玩家一样下棋。通过这些模型，我们可以更好地理解不同能力的玩家可能如何尝试解谜。一个经过 1200 等级训练的 AI 能解开这个谜题吗？1600、1900 呢？这种方法的好处在于它能更深入地探究真实玩家的思维。然而，机器学习模型也不是没有缺点。这些 AI 并不像真实玩家那样下棋，它们更像是玩家的近似模型。它们还在真实、常规的比赛中训练，这意味着它们在评估随机的国际象棋位置时可能不可靠。

通过将机器学习模型与复杂且详细的基于规则的评估相结合，我创造了一种“两全其美”的场景。这是一种启发式方法，既能理解谜题的构成，又能考虑人类可能如何解决它。

下一代

一旦找到一组最佳谜题，下一步就是创建新一代谜题。这可以通过许多受进化启发的技术来实现。我选择使用交叉和变异。

交叉涉及随机合并两个结果的特征，希望能够得到两者的最佳特征。我们可以通过回溯到某个共享的起始点，然后选择用来到达每个结果的合法棋步，来交叉相似的国际象棋位置。也许移动皇后使得一个谜题具有了非常好的特性，而移动骑士则让另一个谜题变得有趣。通过结合这两种特性，我们可以创建出更具吸引力的问题。

类似地，我们可以通过回溯然后向前走若干步来改变谜题。根据你回溯和前进的步数，谜题可能会发生细微或巨大的变化。突变过多可能会导致算法永远无法改进，而突变过少则可能使你的最佳结果过快地收敛到一个单一的值。

那么……问题是什么呢？

进化算法最常见的问题是收敛太快。最初，我生成的谜题在仅仅经过几代后就停止了改进。在现实世界中，山脉、沙漠和海洋等物理边界阻止了种群之间的基因交换，保持了遗传多样性。没有足够的遗传多样性，种群的进化就会受到限制。通过将较小的国际象棋谜题种群并行运行一段时间，我为它们提供了足够的“呼吸空间”，以保持一些多样性并避免过早收敛。

进化算法也可能非常缓慢。国际象棋当然也不例外。在数百万个棋盘位置上进行启发式评估需要大量的处理能力。通常，你运行国际象棋引擎的时间越长，它预测下一步最佳棋着的准确性就越高。通过找到分析每个位置所需时间的最佳平衡点，挑选出最有前景的棋局，并更详细地分析它们，我可以在合理的范围内优化时间。决定何时停止生成也至关重要。如果一个样本在经过几代之后停止改进，那么也许最好从新的随机种群开始，因为它可能无法进一步改进。在经过无数次优化后，我的家用电脑能够每天使用进化算法生成超过 1000 个具有挑战性的谜题。

最后，诊断错误可能是极其困难的。对于许多程序，你可以根据特定的输入预期得到某些输出。而在进化算法中情况则不同。我花了很多时间琢磨为什么我的种群会过快收敛。是位置生成的问题吗？是进化方法的问题，可能是启发式方法的问题？当程序的预期输出无法明确界定时，很容易忽略某些地方没有按预期工作。

结果

然而，尽管存在一些问题，这种 AI 技术的强大力量和潜力依然光芒四射，人人可见。仅凭我那台旧电脑，我在 3 个月内就生成了近 50,000 个国际象棋难题，涵盖了大量奇特而美妙的棋局。

算法的随机性意味着它能够创造出极其丰富多彩、千变万化的难题。在国际象棋中，我们很少见到一些有趣的战术问题，比如皇后牺牲、骑士升变和“过路兵”吃子，而通过进化算法这些问题很容易生成，而用真实棋局的数据库则难以找到。然而，这些难题的荒诞性质使它们对实际场景的适用性较差。虽然非常有趣，但也可以说，基于真实棋局的难题更适合学习国际象棋中的常见模式。

除了极具生产力外，这个算法还异常灵活。沙特兰奇、倾斜棋盘等，扩展进化算法以适应任何衍生版的国际象棋都非常简单。正是这种可扩展性，使得进化技术在这里表现得尤为出色。你无法通过游戏数据库来实现这一点，因为这些数据库根本不存在！

https://github.com/OpenDocCN/towardsdatascience-blog-zh-2024/raw/master/docs/img/417016acc765c96534d12c67bd0acc31.png

由算法生成的沙特兰奇（Shatranj）难题。你能在 2 步内将白方国王将死吗？