Меня не интересуют крошечные оптимизации, дающие несколько процентов скорости. Меня интересуют самые важные эвристики для альфа-бета-поиска. И наиболее важные компоненты для функции оценки.
Меня особенно интересуют алгоритмы с наибольшим соотношением (улучшение/код_размер). (НЕ (улучшение/сложность)).
Спасибо.
PS Эвристика для убийцы - идеальный пример - простой в использовании и мощный. База данных эвристик слишком сложна.
Не уверен, что вы уже знаете об этом, но посмотрите Chess Programming Wiki - это отличный ресурс, который охватывает практически все Аспект современного шахматного AI. В частности, в отношении вашего вопроса см. Разделы "Поиск и оценка" (в разделе "Основные темы" ) на главной странице. Вы также можете обнаружить некоторые интересные методы, используемые в некоторых из перечисленных программ здесь. Если на ваши вопросы по-прежнему не отвечают, я определенно рекомендую вам спросить в Chess Programming Forums, где, вероятно, будет много специалистов отвечать. (Не то, что вы не обязательно получите хорошие ответы здесь, просто что это скорее более вероятно на тематических форумах экспертов).
MTD (f) или один из варианты MTD является большим улучшением по сравнению со стандартным alpha-beta, предоставляя вам не очень тонкие детали в вашей оценочной функции и предполагая, что вы используя эвристика киллера. история эвристики также полезна.
Самая рейтинговая шахматная программа Rybka, по-видимому, отказалась от MDT (f) в пользу PVS с окном нулевой аспирации на не-PV узлах.
Расширенная обрезка ненужности, которая включает в себя как обычную обрезку, так и глубокое бритвы, теоретически необоснованна, но на практике эффективна.
Итеративное углубление - еще один полезный метод. И я перечислил много хороших ссылок на шахматы здесь.
Несмотря на то, что многие оптимизации на основе эвристики (я имею в виду способы увеличения глубины дерева без фактического поиска), обсуждаемые в литературе по программированию в шахматы, я думаю, что большинство из них редко используются. Причина в том, что они являются хорошими ускорителями производительности в теории, но не на практике.
Иногда эти эвристики могут возвращать плохой (я имею в виду не лучший) ход тоже.
Люди, с которыми я говорил, всегда рекомендуют оптимизировать альфа-бета-поиск и внедрять итеративное углубление в код, а не пытаться добавить другие эвристики.
Основная причина заключается в том, что компьютеры растут в вычислительной мощности, и исследование [требует цитаты, я полагаю], показало, что программы, которые используют свое полное время процессора для перебора, альфа-бета-дерево на максимальную глубину всегда опережали программы, которые разделяют свое время между определенными уровнями альфа-бета, а затем некоторой эвристикой.
Несмотря на то, что использование некоторых эвристик для расширения глубины дерева может нанести больше вреда, чем пользы, есть много ускорителей производительности, которые вы можете добавить к алгоритму поиска альфа-бета.
Я уверен, что вы знаете, что для того, чтобы альфа-бета работала точно так, как она предназначена для работы, вы должны иметь механизм сортировки перемещения (итеративное углубление). Итеративное углубление может дать вам повышение на 10%.
Добавление технологии Принципиальная вариация h в альфа-бета может дать вам дополнительный 10-процентный импульс.
Попробуйте использовать алгоритм MTD (f). Он также может увеличить производительность вашего двигателя.
Одна эвристика, о которой не упоминалось, Нулевая обрезка.
Кроме того, у Ed Schröder есть отличная страница, объясняющая ряд трюков, которые он использовал в своем двигателе Rebel, и насколько каждый из них способствовал скорости/производительности: Inside Rebel
Использование таблицы транспозиций с zobrist hash
Требуется очень мало кода для реализации [одного XOR при каждом перемещении или unmove и оператора if перед рекурсированием в дереве игр], а преимущества довольно хороши, особенно если вы уже используете итерационное углубление, и это довольно (используйте таблицу большего размера, таблицу меньшего размера, стратегии замены и т.д.)
Движения убийцы - хороший пример небольшого размера кода и большого улучшения в перемещении перемещения.
Большинство алгоритмов AI для настольных игр основаны на http://en.wikipedia.org/wiki/Minmax MinMax. Цель состоит в том, чтобы свести к минимуму их варианты и максимизировать ваши возможности. Хотя с шахматами это очень большая и дорогостоящая проблема времени выполнения. Чтобы уменьшить это, вы можете комбинировать minmax с базой данных ранее играемых игр. Любая игра, которая имеет аналогичную позицию на доске и имеет шаблон, установленный в отношении того, как этот макет был выигран для вашего цвета, может использоваться для "анализа", куда двигаться дальше.
Я немного смущен тем, что вы подразумеваете под улучшением /code _size. Вы действительно имеете в виду анализ улучшения/времени выполнения (большой O (n) против o (n))? Если это так, поговорите с IBM и синим цветом или с командой Microsoft Parallels. В PDC я разговаривал с парнем (чье имя ускользает от меня сейчас), который демонстрировал маджонг, используя 8 ядер на одного противника, и они заняли первое место в конкурсе дизайна игрового алгоритма (чье имя также ускользает от меня).
Я не думаю, что есть какие-то "консервированные" алгоритмы, чтобы всегда выигрывать шахматы и делать это очень быстро. Путь, который вам нужно сделать, - это КАЖДЫЙ возможный ранее воспроизведенный игровой процесс, индексированный в очень большой базе данных на основе словаря и предварительно кэшированный анализ каждой игры. Это был бы очень сложный алгоритм и, по моему мнению, был бы очень плохой проблемой улучшения/сложности.
Я мог бы немного отвлечься, но "современные" шахматные программы используют MPI, такие как Deep Blue для массивной параллельной власти.
Просто подумайте, что параллельная обработка играет большую роль в современных шахматах