簡易檢索 / 詳目顯示
| 研究生： |
林淑玲 LIN, SHU-LING |
|---|---|
| 論文名稱： |
對局樹搜尋之研究 A study on game tree search |
| 指導教授： |
饒達欽
Rau, Dar-Chin |
| 學位類別： |
碩士 Master |
| 系所名稱： |
工業教育學系 Department of Industrial Education |
| 畢業學年度： | 80 |
| 語文別： | 中文 |
| 論文頁數： | 13 |
| 中文關鍵詞： | 對局樹搜尋 、空值誤差法 、教育 |
| 論文種類： | 學術論文 |
| 相關次數： | 點閱：147 下載：0 |
| 分享至: |
| 查詢本校圖書館目錄 查詢臺灣博碩士論文知識加值系統 勘誤回報 |
對局樹搜尋是人工智慧研究中之一重要領域。本研究提出若干空步策略來加強對局樹
搜尋的效率，這些方法包括單一空步(Single Null Move)、連續空步(Sequential
Null Moves)、 混合空步(Mixed Null Moves)、以及空值誤差法(Null-Value Error)
。經實驗發現，以空值誤差法可改善七層對局樹的搜尋速度達11.8% 。同時，對更深
的搜尋，有更顯著改善的趨勢。本研究建立考慮產生節點數、搜尋節點數、和由審局
函數評估的節點數之效率評量模式，根據此模式發展出一加速方程式，藉此說明對局
樹搜尋之局部加速對整體效率的影響。此外，以真實的對局樹實驗比較Alpha-Beta
、Aspiration、PVS、PAB、Scout、Iterative Deepening等對局樹搜尋方法，發現無
論是否使用Iterative Deepening，PAB皆優於PVS ，而且，二者效率之差距隨搜尋深
度之遞增而加大，此項結果與早先以模擬樹實驗之研究結果不同。另外，由實驗資料
顯示Iterative Deepening 可增強PVS、PAB及Scout之效率，但是無法改善
Alpha-Beta和Aspiration的搜尋速度。
