神经网络增强的UCT算法在国际跳棋中的精确搜索与优化

本文主要探讨了"结合神经网络的改进UCT在国际跳棋中的应用"这一主题，由作者王亚杰、祁冰枝、张云博和丁傲冬共同完成，发表于2021年重庆理工大学学报(自然科学)第35卷第7期。文章针对传统的UCT（Upper Confidence Bound for Trees）算法在搜索准确性和效率上存在的挑战，提出了一种创新方法。 UCT算法是一种常用的蒙特卡洛树搜索算法，在国际象棋、围棋等棋类游戏中广泛应用，但其性能受到搜索次数的影响较大。为了改善这一问题，作者提出了一个结合神经网络的改进版本。他们构建了一个神经网络模型，用于预测每一步棋的平均行动价值（Q值），这能够提供更精确的评估，减少搜索的盲目性。 改进的UCT算法分为三个阶段：首先，利用预先训练的神经网络对所有子节点进行初步搜索，挑选出具有高潜力的节点；接着，通过剪枝操作剔除低质量的子节点，优化搜索资源的分配；最后，对保留的高潜力节点进行深入的二次搜索，以获取最优策略。在这个过程中，作者引入了两个关键参数——节点保留数量因子R和搜索比例因子P，它们帮助控制搜索的深度和广度，从而提高搜索效率。 实验部分，作者将改进后的算法应用于国际跳棋游戏，并与传统算法进行了对比。结果显示，改进后的算法在胜率上有所提升，这验证了结合神经网络的改进UC