is Íslenska en English

Lokaverkefni (Meistara)

Háskólinn í Reykjavík > Tæknisvið / School of Technology > MSc Tölvunarfræðideild / Department of Computer Science >

Vinsamlegast notið þetta auðkenni þegar þið vitnið til verksins eða tengið í það: http://hdl.handle.net/1946/34940

Titill: 
  • Titill er á ensku Experimenting with time and depth control in chess engines
  • Tilraunir með tíma- og dýptarstjórnun í skákvélum
Námsstig: 
  • Meistara
Leiðbeinandi: 
Útdráttur: 
  • Útdráttur er á ensku

    Chess programming has come a long way since 1996 when Deep Blue defeated world champion Garry Kasparov. Deep Blue was the result of many years of labor of knowledge-engineering, where chess-specific features were hand-crafted and carefully hand-tuned. Recently, AlphaZero received worldwide attention for mastering the games of chess, Shogi, and Go through machine-learning and self-play using no game-specific knowledge features (except the rules of the games).
    In this project, we examine ways to improve chess playing programs using machine learning methods. In our first set of experiments, we test whether a neural network can be trained to determine volatility of chess positions, i.e., whether they are stable or not, but such information may be used to improve time management. In our second set of experiments, we use regression methods to automatically determine the value of the parameters used in a chess engine for depth reduction in search. We use the world-class program Stockfish for our experiments, and although our experiments did ultimately not lead to improved play, some hold promise, for example, in classifying chess positions as volatile or not.

  • Skákforritun er langt komin síðan árið 1996 þegar Deep Blue sigraði heimsmeistarann Garry Kasparov. Deep Blue var afrakstur margra ára þekkingarverkfræðilegrar vinnu þar sem sértækir eiginleikar skákar voru handsmíðaðir og vandlega handstilltir. Nýlega fékk AlphaZero athygli um allan heim fyrir að hafa náð tökum á skák, Shogi og Go í gegnum vélanám og sjálfspilun án þess að byggja á sértækum eiginleikum umræddra
    leikja (öðrum en reglum leikjanna).
    Hér skoðum við leiðir til að bæta skákvélar með því að nota vélnámsaðferðir. Í fyrstu tilraunum okkar prófum við hvort hægt sé að þjálfa tauganet til að ákvarða óstöðugleika skákstaða, en slíkar upplýsingar má nota til að bæta tímastjórnun. Í seinni tilraunum
    okkar notum við aðhvarfsaðferðir til að ákvarða sjálfkrafa gildi breytanna sem notaðar eru í skákvél til að draga úr leitardýpt. Við notum heimsklassa skákvélina Stockfish við tilraunir okkar. Þó að tilraunir okkar hafi á endanum ekki leitt til umbóta í tefldum
    skákum þá benda sumar þeirra til annarskonar umbóta, til dæmis í því að flokka skákstöður sem óstöðugar eða ekki.

Samþykkt: 
  • 27.1.2020
URI: 
  • http://hdl.handle.net/1946/34940


Skrár
Skráarnafn Stærð AðgangurLýsingSkráartegund 
Master_Project_Final.pdf1.69 MBOpinnHeildartextiPDFSkoða/Opna