Заметим, что материальная оценка позиции будет топтаться в районе +3, тоесть наращивание преимущества будет равно нулю, что должно скореектировать оценку до 0. Наверное можно на основе анализа известных окончаний построить распределение скорости нарастания преимущества, как функции материального перевеса, что даст численный критерий для корректировки.
Я понимаю Вашу мысль, но она требует большой селективной работы.
Я могу предположить заранее, что нужно практику например в 7-фигурках.
Видимо эндшпиля фигура+2п против фигура+п. И самый важный случай, там где фигура у обоих ладья.
Но эти позиции нужны почти все, думаю.
А вот позиции где 5 слонов матуют одинокого короля понадобятся разве что этюдистам, и то раз в сто лет.
Анализ многофигурных эндшпилей в программе Freezer
Юрий Воронов
Программа Freezer позволяет решить ряд задач в многофигурных окончаниях, которые пока не под силу ни одной другой шахматной программе.
Дело в том, что при построении стандартных эндшпильных баз к конкретной позиции (базы Налимова), эти базы строятся со всеми возможными позициями при данном наборе фигур, и для каждой позиции дается ее оценка. Это делает базы Налимова громадными по размеру, что крайне затрудняет использование их при анализе многофигурных эндшпилей. Но дело в том, что размер базы, которую строит Freezer, зависит не только от количества фигур в данной позиции, но и от их подвижности. Ведь часто бывает, что в эндшпильных позициях, подвижных фигур остается не так много. Неподвижные фигуры (например, блокированные пешки) или ограниченно подвижные (например, король в крепости), в базах Freezer занимают очень мало места, так как в специальных правилах программы описывается их поведение, и нет необходимости строить базы на все их возможные ходы. Таким образом, при увеличении числа фигур, размер базы не растет так стремительно, как в базах Налимова. Это и позволяет строить базы относительно небольшого размера (не более 1Гб) для эндшпилей с большим количеством фигур (если подвижных фигур в них немного).
Вот сегодня на КС у Bushido почерпнул любопытную позицию.
Точнее, ничего там оригинального нет, но она интересна для этой темы.
Начало позиции любопытнее, до это другая тема
и мы его отрубим.
8/8/p3b2k/2K1p3/4P3/8/7P/8 w - - 0 56
После 1.Крd6 ничья. Съесть на e5 и линять на a1 стремительным домкратом. 6-фигурки у меня не стоят, так что Рыба пребывает в прострации, давая черным аж +4 но резко меняет оценку на 0 при попытке съесть любую белую пешку
Конечно таблицы 6 фигурки помогут тут , но появятся новые тупики, причем еще в большем количестве. Можно поставить еще одну белую пешку куда нибудь
Ну поэтому я и назвал это эвристикой, просто может надо переключиться на другой алгоритм оценки (например ввести ограничение на размены итд.), а во вторых в Вашем примере мы уже сразу в таблицу глянуть можем. Эвристика должна помогать в более сложных позициях.
Разного рода самодельные устройства на основе платформы Arduino становятся все более распространенными. Это во многом обусловлено широкими возможностями самой платформы. В некоторых случаях умельцы создают не особо оригинальные устройства, какие-нибудь автоматические открывалки для пива и прочие подобные девайсы. Но иногда появляются очень интересные проекты. Например, онлайн-шахматы на реальной доске, управляемые автоматически.
Не все шахматисты любят играть в шахматы на ПК. Никакая трехмерная картинка неспособна передать шаматную доску, фигуры и саму атмосферу игры. Несмотря на это, сотни тысяч человек играют в шахматы либо с компьютером, либо с виртуальными противниками. Но ведь можно совместить и виртуальный мир, и реальную шахматную доску.
Один из умельцев и создал на основе этой идеи инересный проект. Проект представляет собой обычную шахматную доску, магнитную, с магнитными же шахматами. Когда противник «с той стороны» делает шаг, шаматная фигура автоматически двигается на реальной доске, при помощи системы магнитов. Ну, а для того, чтобы сделать собственный ход, игрок двигает фигуру обычным образом.
Само собой, все это работает на основе платформы Arduino.
Французский разработчик Julian Garnier представил реализацию шахмат в 3D с использованием HTML/CSS3/JS, причем вся 3D-анимация выполнена с помощью CSS3.
На всякий случай повторю, это не просто 3D-анимация, это полноценные шахматы. Из JavaScript-библиотек Julian использовал только Photon для освещения и Chess.js для реализации правил игры. В разработке не было задействовано каких-либо 3D-библиотек, о чем и сообщает сам автор.
Фигуры взяты из набора скульптора Йозефа Хартвига (Josef Hartwig), доступны несколько тем оформления. Игра для двоих игроков. На данный момент демонстрация доступна только в Webkit.
Фигуры взяты из набора скульптора Йозефа Хартвига (Josef Hartwig), доступны несколько тем оформления. Игра для двоих игроков.
Ув. ГІ, не просветите, наскольколько НЕПРАВИЛЬНО ферзю вместо ШАРА на куб(ладью) посадить СЛОНА? З павагай ми:
Чувак не поленился, написал программу, которая по базе 2.2 млн. партий посчитала шансы на выживание до конца партии для каждой фигуры. Лучше всех выживают крайние пешки.
ходы центральными пешками в дебюте открывают диагонали для фигур для быстрейшего развития и помогают в борьбе за центр, это важнее сохранности этих пешек.
ход от короля открывает 2 диагонали и встречается чаще. соседняя пешка при этом часто меняется в борьбе за центр.
Я неправильно спросил. Не "вблизи короля", а "со стороны короля", т.е. справа от него вероятности почему-то больше.
Потому что чаще рокируют на королевский фланг. Почему - вопрос отдельный. В среднем это более безопасно
И соответственно, реже бодро их двигают вперед, чтобы не ослаблять короля. Ну и в итоге они дольше живут
Студент из Имперского колледжа в Лондоне создал шахматную компьютерную программу Giraffe, которая полностью построена на принципах машинного обучения и не использует вручную настроенные инструменты для анализа партии.
Giraffe обучалась в ходе игры с самим собой и за рекордные 72 часа достигла уровня, соответствующего двум верхним процентам рейтинга по версии Международной шахматной ассоциации.
Первое издание Большой Советской Энциклопедии воспевало достоинства шахматной игры, причем в сугубо высокоидейном духе: «Шахматы – самая сложная и интеллектуальная из игр фигурами на доске, к-рая в процессе своего развития настолько обогатилась элементами научного мышления и вместе с тем художественного творчества, что в наст. время далеко переросла свое первоначальное значение игры и, будучи превосходным умственным спортом, в Союзе ССР сделалась одним из орудий культурного воспитания масс. Маркс, Энгельс, Ленин высоко ценили Ш.» (БСЭ, т.61, М., 1934, с.888).
А сегодня шахматной игре нашлось в высшей степени интересное применение. Ее используют для того, чтобы научить машины учить самих себя. Об этом рассказывается в статье Deep Learning Machine Teaches Itself Chess in 72 Hours, Plays at International Master Level, «Глубокое обучение позволяет машине за 72 часа научиться играть в шахматы на уровне гроссмейстера международного класса».
К недавнему рассказу о самообучающихся алгоритмах написания сценариев компьютерных игр, был комментарий, что это было бы хорошей дипломной работой для выпускника мехмата. Так вот – программа Giraffe, самообучающаяся игре в шахматы, и есть предмет магистерской диссертации студента Имперского колледжа Лондона Мэттью Лая (Matthew Lai). Несмотря на то, что Giraffe создана одним человеком, она имеет куда больше прав на то чтобы зваться Искусственным Интеллектом, нежели те суперкомпьютерные чудовища, которые использовались для целей шахматной игры в девяностые.
Традиционные шахматные программы использовали быстродействие машин для того, чтобы на основе начальных рекомендаций, заложенных в алгоритм экспертами-шахматистами, анализировавшими объемистые шахматные библиотеки (тома давних партий еще встречаются у букинистов разных стран), перебрать ветви игры, к которым приведет тот или иной ход, и выбрать тот, что наилучшим образом соответствовал заданным критериям. Giraffe изначально не знал ничего, кроме правил игры.
Но в него было заложено умение учиться. Учиться, играя с самим собой. Для оценки позиции на доске алгоритм автоматически отбирал наиболее значимые признаки в ходе игр с самим собой. Не имея ни малейшего представления о том, что это испанская партия или защита Филидора… Giraffe был подобен талантливому самоучке из глухой деревни, пришедшему в красный уголок ни разу не видя журнала «Шахматы в рабочем клубе», и обучающемуся исключительно в игре.
Второй особенностью работы Giraffe было то, что он анализирует не все возможные ходы и порождаемые ими деревья, а только наиболее перспективные. Каковыми считаются те, которые породят с вероятностью выше критической максимально длинное дерево игры. При этом вносится одно очень полезное предположение – что противник также сделает самый лучший ход, допускаемый игровой позицией. Никакой войны на чужой земле и малой кровью Giraffe не предполагает…
Дальше была игра с самим собой. И – поразительный результат. Всего за 72 часа Giraffe достиг уровня игры, эквивалентного верхним двум процентам рейтинга по версии Международной шахматной ассоциации. Финальная эффективностьпрограммы проверялась на специальном наборе из 15000 позиций, в которой все доступные ходы проранжированы от 0 до 10, где 10 соответствует лучшему ходу. Из девяти популярных алгоритмов для десктопов и малых серверов Giraffe занял второе место по эффективности, обнаружив 9641 «верный» ход из 15000. Первое место заняла программа Stockfish 5, которая нашла 10505 наилучших решений.
Но подробности игры маловажны. Интересно то, что программа, построенная на технологии Deep Learning смогла за жалких трое суток достичь гроссмейстерского уровня игры.
А сколько на это уходит у белковых шахматистов? Вот-вот! Да, шахматы когда-то были моделью реального конфликта, но моделью сверхформализованной… И тем не менее сейчас нам продемонстрирована крайне важная вещь. Глубокое обучение позволяет машинам научиться обучать себя саму. А это, возможно, одно из самых важных событий в истории технологии…
For neural networks to work well, the feature representation needs to be relatively smooth in how
the input space is mapped to the output space. Positions that are close together in the feature
space should, as much as possible, have similar evaluations.
This means many intuitive and naive representations are not likely to work well. For example,
many previous attempts at using neural networks for chess represent positions as bitmaps, where
each of the 64 squares is represented using 12 binary features indicating whether a piece of each
of the 12 piece types exist on the square or not. This is unlikely to work well, because in this
768-dimensional space, positions close together do not necessarily have similar evaluation...
A much better representation is to encode the position as a list of pieces and their coordinates. This
way, positions that are close together in the feature space would usually have similar evaluation.
чё-то не могу просечь разницу между представлениями
bitmap representation - A[8][8] где A есть, допустим, целое число, которое определяет, что стоит на поле. 0 - ни хрена не стоит.
feature representation - B[32] где B структура из типа фигуры и ея координат.
