博弈AI遗传算法中的适应度函数估计
我已经创建了一个Gomoku(连续5) AI使用阿尔法-贝塔剪枝。它在一个不那么愚蠢的水平上移动。首先，让我描述α-Beta算法的分级函数.当它收到一个板作为输入，它首先发现所有重复的石头，并给它一个分数取决于它的有用性作为一个威胁。它将返回所有重复分数的总和。
但是，问题是我明确地决定了分数(总共4分)，而且他们似乎不是最好的选择。所以我决定用遗传算法来生成这些分数。每一个基因都将是4个分数中的一个。例如，硬编码分数的染色体应该是：5,400,000,000,50000。
然而，由于我使用遗传算法来创建评分函数的分数，我不知道该如何实现遗传适应度函数。因此，我想到了以下几点：
而不是使用适应度函数，我只是将选择过程合并在一起，如果我有2条染色体，A和B，并且需要选择一条，我将模拟一个游戏，在每个AI中同时使用A和B染色体，然后选择获胜的染色体。
1.这是否是替代健身功能的可行办法？
2.由于Alpha-Beta算法的特点，我需要给出获胜条件的最大得分，在大多数情况下，该条件被设置为无穷大。然而，由于我不能使用无限，我只是使用了一个荒谬的大数字。我还需要把这个分数加到染色体上吗？或者因为它是微不足道的，不改变评分函数的值，把它作为一个常量？
回答 1
Software Engineering用户
发布于 2017-11-28 16:42:07
免责声明:我对遗传算法没有实际经验，只是有点兴趣.
所以你的策略是让个人配对，让他们互相竞争。消灭失败者，培育剩下的？从理论上讲，这是一种合理的方法。我只是有一些保留/建议：
- 单一的消除可能不会给你一个人的力量的好印象。如果处理能力允许，您可以使用瑞士配对运行多轮比赛。瑞士配对制度的优点是，你可以越来越准确地对候选人进行排名，而不必让每个人都与每个人对齐。
- 在我看来，只使用4条具有如此大范围的染色体，可能需要一个庞大的起始群体，或者导致相对较少的潜在价值。出于本能，我期望一种使用从多个简单染色体计算出的分数的算法会更好。例如: 4*24条染色体，每组24条染色体是一个分数的二进制表示。或者你可以做4×6染色体，每组6个染色体是一个数字的二进制表示，分数计算为
2^number。在种群规模、基因复杂性和分数分辨率之间可能存在一个甜蜜的点。
关于瑞士锦标赛系统的更多信息
- 每一轮配对的参赛者都要经过几场比赛。这个号码由你决定。三个中最好的是常见的。
- 每一场比赛都能得到一个胜利者(3分)或平局(双方都得到1分)。
- 在连续几轮的瑞士回合中，每一名参赛者都与他们从未打过的对手进行比赛，并尽可能接近他们自己的得分。
这样，如果你得到一些平局，就不会有多大影响了。如果你得到的只是平局，你就有麻烦了.
https://softwareengineering.stackexchange.com/questions/361430
复制相似问题
腾讯云开发者
