如何为国际象棋编程一个神经网络？
我想要编制一个象棋引擎，学习如何做出好动作并赢得其他玩家。 我已经编写了一个棋盘的代表和一个输出所有可能动作的函数。 所以我只需要一个评估函数，说明董事会的特定情况有多好。 因此，我想使用一个人工神经网络，然后评估一个给定的位置。 输出应该是一个数值。 价值越高，白人球员的位置就越好。
我的方法是建立一个包含385个神经元的网络：棋盘上有六个独特的棋子和64个场。 因此，对于每个领域我们采取6个神经元（每一块1）。 如果有白色块，输入值为1.如果有黑色块，则值为-1。 如果在该领域没有那种类型，那么值为0.除此之外，玩家应该有1个神经元移动。 如果轮到白方，则输入值为1，如果轮到黑方，则值为-1。
我认为神经网络的配置非常好。 但是缺少主要部分：如何将这个神经网络实现为编码语言（如Delphi）？ 我认为每个神经元的权重在开始时应该是相同的。 根据比赛结果，应该调整权重。 但是如何？ 我想我应该让两个电脑玩家（都使用我的引擎）互相对抗。 如果白方获胜，黑方得到的反馈是其权重不好。
所以，如果你能帮助我将神经网络实现为一种编码语言（最好是Delphi，否则是伪代码），这将是非常好的。 提前致谢！
去过也做过。 由于你的问题没有连续性（一个职位的价值与其他职位并不紧密相关，而一个投入的价值只有一个变化），NN几乎不可能工作。 而且它在我的实验中从未做过。
我宁愿看到一个模拟退火系统，用一个特设的启发式（其中有很多）来评估这个位置的价值......
但是，如果您使用的是NN，则相对容易表示。 一般的NN只是一个图，每个节点都是一个神经元。 每个神经元都有一个当前激活值和一个转换公式，用于根据输入值计算下一个激活值，即所有节点的激活值都与它有链接。
一个更经典的神经网络，即输入层，输出层，每层相同的神经元，并且没有时间依赖性，因此可以由一组输入节点，一组输出节点和连接这些的节点。 每个节点拥有一个当前的激活值，以及它转发的节点列表。 计算输出值只需将输入神经元的激活设置为输入值，然后依次迭代每个后续图层，然后使用转换公式计算上一图层的激活值。 当你到达最后（输出）层时，你就得到了结果。
我不明白为什么你不能有一个静态评估器的神经网络，如果你也做一些alpha-beta修剪的经典迷你最大超前观察。 许多国际象棋引擎使用minimax与braindead静态评估器，只是加起来件或什么; 如果你有足够的极小极小值，这并不重要。 我不知道网络会有多大的改进，但几乎没有什么损失。 培训它会很棘手。 我会建议使用一个引擎，展望许多动作（并且需要大量的CPU等）来训练评估者，看看引擎看起来更少的动作。 这样你最终会得到一个不占用CPU太多的引擎（希望）。
万一有人随机找到这个页面。 鉴于我们现在所知道的，OP提出的几乎肯定是可能的。 实际上，我们设法为具有更大状态空间的游戏 - Go（https://deepmind.com/alpha-go）做到这一点。
链接地址: http://www.djcxy.com/p/84691.html