1、認知科學是20世紀世界科學標志性的新興研究門類,它作為探究人腦工作機制的前沿性尖端學科,已經引起了全世界科學家的廣泛關注。由于在視覺表現形式上具有抽象、復雜的特性,計算機圍棋正在成為認知科學研究的重要方向和工具。
　　 近年來,研究者大多采用Monte Carlo(MC)、Upper Confidence bounds appliedto Trees(UCT)、All Moves As First(AMAF)等不包含任何圍棋知識

2、的統(tǒng)計算法解決圍棋對弈問題。本文則以不同的角度,通過研究圍棋棋手的知識結構、表述形式、思維模型等,提出了一系列基于模擬人類棋手思考方式,量化棋手模糊判斷結果的計算機圍棋解決方案,不但有助于圍棋程序棋力的提高,更有助于提升對人類認知能力的理解,促進認知科學的研究、發(fā)展,具有重要的創(chuàng)新意義和實用價值。
　　 論文具體的創(chuàng)新內容如下:
　　 1.對棋塊的氣劃分等級。根據分級結果,可以判斷棋塊的安全程度,確定捕獲目標,產生候選著

3、點并對其排序。通過Memory-enhanced Test Driver(MTD(f))算法對候選點依次進行搜索,尋找出正確的捕獲棋步。實驗結果表明其效果較好,可以應用于計算機圍棋實戰(zhàn)中。這也為第三章計算厚勢價值時確定有效子數做了必要的準備。
　　 2.對厚勢價值進行量化。與傳統(tǒng)的計算完全控制點的數量不同,本文提出了厚勢的影響有如控制概率在二維空間的彌散,所有空點被控制的概率總和即為此厚勢價值的思想,并為此設計了一種棋子影響函數

4、,建立了一種計算厚勢價值的數學模型；嘗試將厚勢的價值分為基本值和附加值兩部分,進而動態(tài)地調整不同棋力下對厚勢價值的不同判斷,模擬了人類棋手對厚勢的感覺；利用簡單遺傳算法對模型參數進行分級優(yōu)化,獲得了各個棋力層次下的厚勢價值量化模型。
　　 實驗結果表明該模型達到了較高精度,可以應用于計算機圍棋序盤、中盤、收官等模塊中,為第四章量化棋局形勢的程序設計提供了基礎。
　　 3.提出了一種對棋局形勢進行量化評價的方法,采用獲勝概

5、率表征量化結果。通過模擬人類棋手判斷形勢的思考方式,以領先目數和棋局進展程度作為獲勝概率的計算依據,并結合多級種群競爭消亡算法對模型參數進行了優(yōu)化。當圍棋程序的棋力發(fā)生變化時,只需相應調整模型中的參數,因此模型可以適用于不同棋力層次,具有較強的移植性和較高的普適性,在實驗中取得了較好的效果,為第五章程序選擇、確定最佳棋步奠定了基礎。
　　 這種根據圍棋知識構建模型、利用遺傳算法確定參數的方法也可以應用于其他計算機博弈問題的解決。

6、
　　 4.提出了一種計算機圍棋中盤著手策略,包括棋步產生、評估和確定的方法。通過計算實地價值、戰(zhàn)略價值、棋形價值和后續(xù)價值,對候選棋步進行初始評估。根據目的性差異,將棋步分為進攻和防御兩部分；并結合獲勝概率,計算攻防力度調整權值,從而動態(tài)調整攻擊和防御棋步的評估值,尋找出最佳棋步。此方法既模擬了人類棋手在落子前的思考過程,又發(fā)揮了計算機擅于運算的特長,將動態(tài)分析、靜態(tài)搜索和知識庫的應用相結合,體現出一定層次的智能。
　　

7、 5.開發(fā)了一個計算機圍棋博弈系統(tǒng)CognitiveGo,將上述內容整合實現。每當落子前,CognitiveGo先根據模式庫尋找一些可能的著點,繼而根據自身棋力,對雙方的實地、厚勢、棋塊強弱進行判斷,并結合判斷結果調整下一步棋的目標方向。在此過程中,模式庫影響候選棋步的推薦,形勢判斷則影響目標之間的轉換。
　　 綜上所述,本文主要采用模擬人類棋手思考過程,建立相應模型的方式對計算機圍棋相關問題進行研究,其研究方法和成果對于提升