สำหรับ gomoku ดูเหมือนว่า overkill ใช้เครือข่ายประสาทหรืออัลกอริทึมทางพันธุกรรมเล็กน้อยเนื่องจากทั้งสองใช้เวลานานกว่านั้นไม่ต้องไปตามที่คุณต้องการ ต้นไม้เกม gomoku ค่อนข้างใหญ่ แต่คุณสามารถรับ AI ที่เหมาะสมได้จาก minimax การตัดทรีเกมและฟังก์ชั่นการแก้ปัญหาที่ดี ออกเต็มพื้นที่
หากคุณไม่คุ้นเคยกับการตัดแต่งกิ่งและอัลฟาเบต้าขั้นต่ำให้ดูที่https://www.cs.cornell.edu/courses/cs312/2002sp/lectures/rec21.htm
ถ้าคุณต้องการใช้โครงข่ายประสาทหรืออัลกอริทึมทางพันธุกรรมคุณสามารถใช้ประสบการณ์การเรียนรู้ได้ เกี่ยวกับโครงข่ายประสาทเทียมวิธีหนึ่งในการทำดังต่อไปนี้:
- กำหนดฟังก์ชั่นการวิเคราะห์พฤติกรรมที่ได้รับสถานะอินพุตของบอร์ด (ลำดับ 0,1,2 สำหรับค่าว่าง, ดำ, ขาว), และส่งออกค่า 'ความดี' ของสถานะบอร์ด โครงข่ายประสาทคือฟังก์ชั่นแก้ปัญหาของเรา
- สมมติว่าการเคลื่อนไหวในเกมเหล่านี้เหมาะสมที่สุดฝึกความแตกต่างระหว่างการเคลื่อนไหวที่ดีที่สุดในปัจจุบัน (ตามพารามิเตอร์ปัจจุบันของคุณ) และสิ่งที่การย้ายข้อมูลของคุณบอกว่าดีที่สุด นี่คือวิธีที่เรากำหนดฟังก์ชันข้อผิดพลาดของเรา! ดังนั้นคุณจะลดความแตกต่างนี้เพื่อให้สิ่งที่ย้ายเครือข่ายประสาทของคุณบอกว่าแข็งแกร่งที่สุดคือสิ่งที่ข้อมูลเกมของคุณบอกว่าแข็งแกร่งที่สุด (การเพิ่มประสิทธิภาพของฟังก์ชั่นข้อผิดพลาดนี้สามารถทำได้ผ่านทาง backpropagation
- ตามหลักการแล้วในตอนนี้คุณสามารถใช้ฟังก์ชั่นการประเมินตามโครงข่ายประสาท ('แรง') ของคุณสำหรับการประเมินการเคลื่อนที่แบบทรีเกมแทนการวิเคราะห์พฤติกรรมแบบฮาร์ดโค้ด
แน่นอนว่านี่เป็นเพียงวิธีเดียวและคุณจะต้องค้นหาข้อมูลเกมก่อน
หมายเหตุด้านการใช้อัลกอริทึมทางพันธุกรรมสามารถเกิดขึ้นได้สองสามวิธีเช่นการปรับพารามิเตอร์ในเครือข่ายประสาทเทียมตามที่กล่าวไว้ข้างต้นหรือการค้นหาทรีเกมเพื่อให้แน่ใจว่าคุณมีความชัดเจนในการกำหนดการตั้งค่าปัญหา! วิธีการอื่นในการใช้โครงข่ายประสาท
ในที่สุดการรู้ว่า gomuku นั้นถูกแก้ไขแล้ว ดู
/programming/6952607/ai-strategy-for-gomoku-a-variation-of-tic-tac-toeสำหรับความคิดและความคิดเห็นของผู้อื่น