智能搜索算法在棋类零和博弈中的应用

介绍了3种智能搜索算法及人机博弈的一种形式——零和博弈,并通过一个实例——中国象棋介绍了智能搜索算法在棋类零和博弈游戏中的应用。     

博弈树搜索算法研究

通过讨论人工智能中用于计算机博奕的一般技术如极大极小搜索、Alpha-Beta剪枝、小窗口搜索,对五子棋博奕的内在规律进行了分析研究,给出解决五子棋博奕的2种优化算法,这2种优化算法大大提高了搜索效率,相比之下引入置换表后的优化算法的搜索效率更高。     

博弈树的聚合估值方法及其剪枝技术

提出了一种博弈树结点估值的新方法——聚合估值方法,并研究了聚合估值过程的剪枝技术.     

基于Java的五子棋博弈平台研究

针对当前五子棋博弈平台中自身功能差异和对引擎的编写语言有限制等问题,设计实现一个通用的五子棋博弈运行平台,平台以AlphaBeta剪枝算法为内置博弈引擎算法基础,融合了迭代加深、Zobrist缓存和启发式搜索算法,建立集对战、算法引擎加载和引擎交互一体化通用五子棋博弈平台;平台利用加载算法引擎文件可自动进行五子棋算法间...     

智能搜索算法设计和分析

提出了人工智能博弈树搜索ＳＳＳ＊算法的两种改进算法ＢＳ＊和ＤＳ＊算法，给出了ＢＳ＊和ＤＳ＊搜索博弈树端结点的充分必要条件，由此证明了，如果能估计一个合适的上界，则ＢＳ＊算法优于ＳＳＳ＊算法．同时还证明了ＤＳ＊算法优于α－β算法．论述了ＤＳ＊算法搜索深度为奇数的博弈树时，在一般情况下也优于ＳＳＳ＊算法，且这两种算法都降低了存储开销．     

智能五子棋博弈程序的核心算法

人工智能是一门正在迅速发展的新兴的综合性很强的边缘科学,而博弈是人工智能的主要研究领域之一,本文通过一个五子棋博奕程序的设计,介绍了博弈程序设计的核心内容:包括博奕树搜索和估值函数两个方面.     

智能五子棋博弈算法研究

人工智能是一门正在迅速发展的新兴的综合性很强的边缘科学。博弈是人工智能的主要研究领域之一,他涉及人工智能中的推理技术、搜索方法和决策规划。将这些技术用于五子棋中,设计了一个智能五子棋系统,实现人和计算机两方进行博弈。     

一种改进的威胁空间搜索算法

研究了五子棋游戏开发中极大极小搜索框架计算量太大,无用计算太多等问题.在传统经典极大极小搜索和alpha-beta剪枝基础上采用了判重,加入启发式的优化,每次选择最有"前途"的若干个决策搜索以减少搜索量,再加入基于五子棋专业棋手下棋策略,改进威胁空间搜索算法.使得计算机的搜索过程更像人的思考过程,算法复杂度大幅降低.经过测试最终编写的程序具备高响应度和智能性.     

基于MCTS-RAVE的智能博弈

针对蒙特卡罗树搜索(MCTS)算法对蒙特卡罗模拟次数的依赖性较强,为获得较高智能必须进行多次模拟的情况,提出了结合在线强化学习知识以减少MCTS算法对蒙特卡罗模拟次数的依赖,在搜索过程中积累强化学习知识,并快速对动作值作出估计。实例表明,该种方法较MCTS具有更高的智能表现,并有一定的实用价值。     

一种改进的基于博弈树模型的五子棋系统

通过对五子棋算法的研究,本文探讨了知识抽象、知识表示、估价函数、博弈树及搜索策略等人工智能领域的问题,并基于博弈树模型设计了一个智能五子棋系统。该系统采用多链表结构的知识表示方法记录棋局信息,可以全面地描述和分析棋局形势。最后,结合局部性原理,采取增量分析法、α-β剪枝及低层剪枝等手段加速分析和搜索效率,提高了该系统的反应速度和智能化程度。     

语音识别中的搜索策略研究

在语音识别应用中,如何提高识别的效率是一个重要的研究方向,尤其在大词表的识别中,巨大的搜索空间带来了很大的计算代价。先介绍了语音识别系统的三个组成部分即特征提取、声音模型及语言模型;然后重点讨论了语音识别中几种常用的搜索策略,最后指出了搜索策略进一步研究的方向。     

基于COM的启发式搜索算法库的设计与实现

目前启发式搜索算法都是根据具体的问题应用而设计的,在不同的领域运用时启发式搜索算法就要重新进行设计,这样浪费了大量的劳动和时间,同时正确性也难以得到保障。在对多种启发式搜索算法进行分析的基础上,根据软件复用的思想设计启发式搜索算法库,并将COM技术应用到启发式搜索算法库,从而实现启发式搜索算法库。基于COM的启发式搜索算法库实现了与具体应用领域脱离,有效的解决了启发式搜索算法开发,同时也扩大了COM技术的使用范围。     

通用启发式搜索算法库的设计

由于目前启发式搜索算法被广泛的应用,但是其设计都是针对具体问题的,在不同的领域运用时启发式搜索算法就要重新进行设计,这样浪费了大量的劳动和时间,同时正确性也难以得到保障。针对这个问题,本文通过对多种启发式算法的基础上统一建模,设计了通用的启发式搜索算法库,及通用的数据结构,并与具体问题脱离。实现了启发式搜索算法的通用性、可扩充性与易调试性。     

一种多目标增量启发式搜索算法

提出一种多目标增量启发式搜索算法, 该算法结合启发式搜索与增量搜索的思想, 当多目标问题搜索图的状态格局发生改变时, 该算法并不是对变化后的问题进行完全重新求解, 而是部分利用了先前搜索保留的信息求解新问题的最优解集, 从而提高了问题求解的效率. 通过Gridworld标准测试问题上的实验测试, 验证了算法的效率.     

模糊集值产生式系统的启发式图搜索算法

首先提出了模糊集值产生的系统的概念，然后运用三角范算子，得到了模糊集值产生式系统启发式算法，并对启发式算法的可采纳性给出了证明。     

启发式搜索的一种新技术─SA算法

在一定的假设下，可把启发式搜索看作一种随机取样的过程。从而把统计推断方法引进搜索。根据上述思想．把Ｗａｌｄ序贯概率比检验方法与Ａ（Ａ＊）搜索结合，得到一种新算法──ＳＡ算法。文中讨论了该算法的优点及细节。最后通过一个实例说明算法的原理。     

基于乌鸦搜索算法的新型特征选择算法

基于元启发式算法--乌鸦搜索算法（CrSA）, 提出一种改进的基于乌鸦搜索算法的特征选择算法（IFSCrSA）, 以解决目前特征选择问题中存在的不足. 通过与传统的机器学习特征选择算法和基于进化计算的特征选择算法进行比较, 结果表明, IFSCrSA能在数据集中选择辨识度较强的特征, 不仅大幅度降低了特征子集的规模, 而且提高了分类准确率.     

基于乌鸦搜索算法的新型特征选择算法

基于元启发式算法--乌鸦搜索算法（CrSA）, 提出一种改进的基于乌鸦搜索算法的特征选择算法（IFSCrSA）, 以解决目前特征选择问题中存在的不足. 通过与传统的机器学习特征选择算法和基于进化计算的特征选择算法进行比较, 结果表明, IFSCrSA能在数据集中选择辨识度较强的特征, 不仅大幅度降低了特征子集的规模, 而且提高了分类准确率.     

基于遗传算法和Best-First图搜索的约减集求解算法

提出了两种新的约减算法,分别运用遗传算法和Ｂｅｓｔ－Ｆｉｒｓｔ搜索方法求约减集,前者利用了遗传算法的寻优特性从种群中获得一最优及一组次优个体,进而获得一组约减;后者采用Ｂｅｓｔ－Ｆｉｒｓｔ搜索方法,相对于Ａ算法可扩大搜索空间,并可从ｏｐｅｎ表前部获得一最优及一组次优的状态节点,进而获得一组约减。实验结果表明,文中提出的算法是有效且合理的。     

基于启发式搜索的一类离散非线性系统优化控制算法

研究了输入受约束、状态饱和系统的优化控制问题，得到了此类系统渐近稳定的充分条件，同时将最优控制问题转换为最优化搜索问题依据人工智能中的启发式搜索策略，给出了启发式优化控制算法，并就此算法的渐近稳定性给出了证明，仿真结果表明算法的有效性．