【课程项目】BIT人工智能大作业：五子棋游戏_人工智能实验五子棋

作者：菜鸟追梦旅行 | 2024-05-23 11:15:40

踩

人工智能实验五子棋

人工智能：五子棋项目

系列文章目录

【章节总结】人工智能基础——搜索与问题求解

【课程项目】BIT人工智能大作业：五子棋游戏

这是我的第一篇博客。
最近刚好有空，整理一下上学期《人工智能基础》课程的大作业项目。
在这里插入图片描述

四个实验代码已上传至我的github：https://github.com/TommyGong08/Gobang_AI
有兴趣的小伙伴可以star 也欢迎关注我的github~

问题一——棋子识别

方法

监督学习算法——采用YOLO-tiny（基于keras）网上开源代码很多

环境依赖

python3.6
NumPy
SciPy
matplotlib
keras==2.1.5
tensorflow==1.6.0
tensorflow-gpu==1.8.0

效果

个人感觉勉强可以，毕竟数据集不是自己做的，来自大佬@Sharpiless

棋子不密集

在这里插入图片描述

棋子比较密集

在这里插入图片描述

棋子很密集
在这里插入图片描述
显然，棋子密集处检测效果比较不佳

问题二——搜索算法

采用alpha-beta剪枝对棋局局面进行搜索

设计评估方法

具体评估方法如下所示：

遍历棋盘上的每一个点，如果存在棋子，则对这个点所在的四个方向形成的四条线分别进行评估。
对于具体的一条线，如下图，已选取点为中心，取该方向上前面四个点，后面四个点，组成一个长度为9的数组。

评分规则

必杀情况的评分能够直接得出，评分规则如表2-1所示，最高的分为连五局面下的10000分的，最低分为-10000分；当黑棋出现连四，评分为9050分，当白棋出现连四，评分为-9050分；除了表中情况外，其余情况下针对黑棋或白棋的活三，眠三，活二，眠二的个数依次增加分数，评分为（黑棋得分 – 白棋得分）。
在这里插入图片描述

效果

设置搜索深度为2，进行一场五子棋对局，五子棋AI取得胜利，搜索算法和评估函数有效提升棋力。

在这里插入图片描述

搜索深度与计算时间

由于极大极小值的本质是深度优先搜索，通过调整搜索深度，可以得到搜索时间与搜索深度之间的关系。依次设置搜索深度为1，2，3，4，可以测得平均搜索时间分别为0.02s, 0.21s, 2.50s, 30.0s。根据所测得数据做出如下搜索深度与搜索时间关系图如下。
在这里插入图片描述

问题三——基于ANN的棋局评估

思路

将实验二中的棋局判断函数更改为人工神经网络模型，并采用进化计算对该网络模型进行学习，达到提升五子棋博弈水平的目的。

方法

基于Keras和Tensorflow深度学习框架搭建神经网络
在第二问的基础上改进方案，让黑白两色AI对局200次，目的是生成训练所用的数据集。
得到数据集，采用进化计算的方法训练人工神经网络。
将第二问中的评估函数替换成我们所训练的神经网络，让神经网络拟合棋局评估值。

构建神经网络

基于Keras和Tensorflow框架搭建神经网络，网络为全连接结构，含有一个输入层，四个隐含层，一个输出层，输入层有32个神经元，隐含层分别有64，128，64，8个神经元，输出层含有1个神经元。损失函数为MSE,优化器为adam。
在这里插入图片描述

在这里插入图片描述

数据集格式

在前两个实验的过程中，我所涉及的棋盘大小均为1919。因此，在本实验中记录两个数据集，分别为x_train和y_train，两者均为文本文件。x_train的每一行为1361大小的数组，因为19*19等于361。

训练过程

调整迭代次数epochs
首先将epochs设置为1000次，因为1000为较大的数字，所以从1000逐渐递减，发现epochs在200至1000之间loss差距不大。
因此确定epochs为200最佳。
调整batch_size
初始化batch_size为15，随后调整batch_size从15递减至2，发现损失函数均收敛至0.17附近。本实验选取epochs为200和batch_size为10的组合