Q学习实现亚马逊棋评估函数自调参

在亚马逊棋评估函数模型中进行参数调试,主要由人工依靠经验反复实验来实现,效率较低且无法保证精度。针对人工调参效率低下、精确度不足的问题,可借助机器学习的方法来弥补。采用强化学习中Q学习的思路,构造一种具有自学习能力的网络结构,利用计算机自身反复模拟对局与迭代,实现评估函数调参工作的自动化。实验结果表明：当训练达10 000次时,模型各结点Q值会趋于收敛,说明此时程序可以做出稳定合理的调参操作;在博弈实战中,模型调参后的程序也表现出了较强的棋力。     

引入合作竞争关系的桥牌叫牌数据库构建

传统的叫牌数据大多是对于自然叫牌法或精确叫牌法的存储,着重考虑扩充规则,较少考虑到牌手与牌手之间的相互配合。结合数据库智能化的思想,构建了增加竞争与合作标识的叫牌数据库。使其能够描述桥牌比赛中存在的合作竞争关系。此外,通过引入模糊数学中模糊集合的概念,使得牌局中的同一叫品信息可以表达多重含义。给予桥牌AI在计算上的支持,使得AI可以更多地将重心放在算法部分,部分忽略叫牌中复杂的叫牌体系。