人工智能期末话题论文， 计算机游戏一直是人工智能的一个重要研究领域。人工智能早期的研究实践是从计算机象棋开始的。因为人类开发下棋软件，目的就是让计算机模仿人脑思考。如果他们能掌握下棋的本质，他们可能就掌握了人类智能行为的核心。以下是边肖整理和分享的人工智能期末专题论文的相关资料。欢迎阅读！
人工智能期末话题论文篇一
电脑游戏和人工智能
计算机游戏一直是人工智能的一个重要研究领域。人工智能早期的研究实践是从计算机象棋开始的。因为人类开发下棋软件，目的就是让计算机模仿人脑思考。如果能掌握象棋的精髓，就可能掌握了人类智能行为的核心。那些可以存在于下棋活动中的重要原则，可能存在于任何其他需要人类智慧的活动中。所以下棋软件在某种意义上可以代表人工智能的发展程度。
从20世纪60年代的“跳棋”到1997年的“深蓝”，计算机国际象棋程序在人机博弈中取得了一个又一个胜利。然而，这些程序虽然属于人工智能的范畴，但实际上并没有太多的“智能”成分，大多是在可行范围内进行搜索。各种研究大多是关于如何让搜索更快更有效。他们缺乏“智慧”的根本原因是我们自己不知道人类是怎么思考的。比如你写一个名字，问一个老师这个人是不是他班上的学生。老师可以马上回答是或不是。如果你问计算机，计算机可以马上回答是或不是。但计算机的方式是将这个名字与学生名单中的所有名字进行对比，得出答案。电脑搜索的速度非常快，几乎可以在一瞬间完成。但是我们知道，一个老师是不可能在短时间内把班上所有学生的名单看完的。同样，当我们看到一个人的照片时，我们会立即知道我们以前是否见过这个人。我们不可能在短时间内查遍之前见过的所有人，那么如何得出结论呢？我们还不完全了解它。
下棋时，棋盘上有很多地方可以走，但棋手不会考虑每一步棋。那么哪些位置需要考虑，哪些不需要考虑，这就是“模式识别”的问题。人脑有“模式识别”的功能，可以很快得出一个大概的结论。电脑没有这个功能，所以我们要考虑所有岗位。在人机博弈中，计算机人工智能的基本思维方法是穷举法，即通过比较所有可能笔画的进化结果，最终选出最优的一个。举个例子，在象棋的某个“情境”中，如果有38个符合规则的棋子，无论你选择哪一个，都会产生一个新的情境。如果把这些变化都列出来，就会形成一个“博弈树”。计算机要做的就是对比最后一层的结果，选择其中最好的一层，然后反推，找到这种情况下的最佳走法。电脑的这种思维能力在游戏中期格斗阶段尤为明显。另外，在人机博弈中，面对每一步棋时，计算机都会模仿人的思维方式尽可能简化搜索范围，然后横向比较，选择最佳方式。但是象棋的总变化次数达到10的123次方，而中国象棋的变化次数比这多得多，达到10的144次方以上，围棋的变化更多，达到10的172次方以上。计算机不可能计算出棋盘上所有的变化。所以所谓“用穷举法选择最佳走法”指的是棋局的一部分，而且是在有限的几步中，而不是穷举法，不能对整个棋局做出正确的判断。这就是它中端计算超级强，整体视野差的原因。半个世纪前，人们开始研究象棋程序。然而，由于计算机性能问题，计算机在人机游戏中总是表现不佳。因为大空间搜索不可行，所以只能用人们设计的判别模式进行选择性搜索(模仿人的思维)。选择不一定对，搜索不彻底，结果肯定好不了多少。幸运的是，计算机的性能发展迅速。1997年，IBM的深蓝以“苦搜”击败了人类国际象棋世界冠军卡斯帕罗夫。当然深蓝也请了一些棋类专家指点评判程序，但主要还是靠硬搜。
目前国际象棋、中国象棋三大棋局中，计算机水平已经可以和顶级职业棋手一较高下，但围棋中的计算机水平却始终上不去。目前在围棋计算机大赛中获得冠军的软件也只是勉强达到业余水平，和顶尖的职业棋手相比，很可能会输给七段棋手。
为什么电脑围棋水平比象棋差那么多？除了资金等投资上的差距，大致有以下原因：
(1)一盘棋有60个方格，中国象棋有90个交叉点，围棋有361个交叉点。一盘棋一般要走三四十轮七八十步，而一盘围棋一般要走100多步，最多走300多步。这使得围棋的运算量远远超过象棋，因此对计算机的性能提出了更高的要求。但是按照传统的解题思路，目前计算机还不能满足这个要求。
(2)中国象棋和国际象棋的目的比较明确，就是保存实力，保卫老将(王)。而围棋所占的地盘大小，决定了胜负，如厚势与薄味，重要子与无用子，阵势与领域。这些都是判断的问题，很难在程序中定义。
(3)在象棋中，计算占了很大比重，每个棋子的价值都是可以量化的。比如象棋，前后相当于三匹马或者九个兵，在比赛的不同阶段或者实力占优的时候加不同的权重。因此，计算机可以用精确的计算来弥补其判断的不足。但围棋的计算只是围棋的一部分，尤其是在序列阶段，对全局的分析判断才是重点。因为在下棋的过程中，原棋子的价值是随着周围棋子的不同排列而不断变化的，如何判断选择与否，一方面是
计算机围棋的难点之一是缺乏良好的评价函数，使得计算机围棋无法像国际象棋一样利用良好的评价函数、搜索树和剪枝方法获得良好的棋力。计算机围棋大多依赖于一些经验规则，侧重于静态评估，而动态搜索只用于局部和目标棋串的攻杀，全局搜索较少。因此，如何将人类的经验运用到计算机围棋中，成为了设计的重点。
一般来说，围棋只有达到业余水平才算入门水平。多少年来，计算机围棋水平一直徘徊在门外。直到最新的技术——基于蒙特卡罗方法的UCT算法出现，计算机围棋终于达到了业余水平，就其发展潜力而言，还有很大的提升空间。
蒙特卡洛是位于摩纳哥的赌场。蒙特卡罗方法(简称MC)的名称象征性地表明了这种方法的概率统计特性。它将解决的问题与一定的概率模型联系起来，通过计算机实现统计模拟或抽样，得到问题的近似解。MC在围棋中怎么用？针对某一种情况下的某一手牌，计算机模拟后续博弈，得出这一手牌的获胜概率。在计算了所有可能的棋步的获胜概率后，选择获胜概率最高的棋步。围棋中直接使用MC的弊端非常突出。首先，它浪费了模拟时间，因为在有限的时间内只能模拟一定数量的棋局。其次，它不考虑对手的下一手牌。如果我们以MC作为估值函数，那么与传统的人机博弈程序相比，简单的MC相当于只有一个搜索步骤。如果估值极其准确，那么这一步就足够了。其实围棋并没有这么准确的估值。以MC的估值速度，要深入下去需要不可接受的时间量。因此，人们对算法进行了改进。首先根据棋形和基本笔画进行智能判断，只模拟合理的笔画，舍弃明显不合理的笔画。其次，利用AMAF算法随机选择各种难以判断的方案。
基于蒙特卡罗方法的UCT算法是目前计算机围棋中计算手部肌肉和局部战斗的最佳算法。它是在9年发现的？曾经有过在小棋盘上击败职业选手的记录，但也有自己的局限性。没有新算法的突破，很难跳出业余的立场，与职业选手对抗。如果未来有一天，计算机围棋程序打败了顶尖的职业棋手，是否意味着计算机已经具备了智能？我们还不能得出这个结论。
下一页，分享一篇比较好的人工智能期末专题论文。
人工智能期末话题论文，以上就是本文为您收集整理的人工智能期末话题论文最新内容，希望能帮到您！更多相关内容欢迎关注。
