Kunstig Intelligens til Brætspillet Taiji - Danmarks Tekniske Universitet

spil med forskellige vægtninger er endt.
Ses der p˚a den lidt nærmere fremtid kunne AlphaBeta AI’en forbedres ved
hjælp af metoden, der bestemmer hvilke træk der undersøges i Growth AI’en.
Dette skulle ske ved at trækkene, som growth nøjes med at undersøge, skulle
undersøges først i AlphaBeta AI’en, mens de resterende træk kommer i anden
række. Det er nemlig ret sandsynligt, at de bedste træk befinder sig indenfor
de træk growth undersøger. Jo hurtigere AlphaBeta AI’en finder et godt
træk jo bedre fungerer alpha-beta pruning, da den derved kan stoppe en lang
række undersøgelser p˚a et tidligere tidspunkt. I praksis vil denne forbedring
kunne betyde, at AlphaBeta AI’en kommer til at kunne klare en dybere søgning
ned i spiltræet. Skulle det hermed lykkedes AlphaBeta AI’en at n˚a den samme
søgedybde, som Growth AI’en leverer, vil AlphaBeta AI’en sandsynligvis g˚a hen
og blive et bedre valg, fordi Growth AI’ens begrænsede søgning i vise tilfælde
skader kvaliteten af dens resultat.
Forbedringer for Growth AI’en kunne best˚a i at lade dens træk g˚a ud fra de
tre største figurer for hver farve i stedet for blot de to største, som det har
været hidtil. En forbedring af justeringen af søgedybden kunne ogs˚a hjælpe, da
nogle træk bliver beregnet s˚a hurtigt, at det formentligt ville være muligt at
tage en generation mere med i beregningen i disse tilfælde. Dette vil dog kræve
en grundigere analyse af brættilstanden, da det ikke umiddelbart er til at gennemskue,
i hvilke tilfælde beregningerne er hurtigt overst˚aet og hvorn˚ar de ikke
er.
93