爱恩斯坦棋博弈的图神经网络算法研究

摘要

目前传统卷积网络在爱恩斯坦棋中的运用已颇显成效，但存在着训练速度慢，在浅层次的卷积中无法关注到全局信息的缺点，通过改进深度学习算法和使用GNN取代卷积神经网络(CNN),发现可以显著提升模型性能。研究方法包括将爱恩斯坦棋的棋盘和移动规则表示为图结构，构建GNN以在较浅层次中捕捉局部与全局特征。同时结合蒙特卡洛树搜索(monte carlo tree search, MCTS),通过神经网络的策略头和价值头，提供行动决策和局势评估。实验中，将改进后的GNN算法与传统CNN算法在多轮自对弈中进行对比，结果显示，GNN在局势预测、策略控制及训练效率方面均优于CNN,随着训练次数的增加，该方法在效率提升方面表现出更显著的优势。GNN的应用提升了爱恩斯坦棋博弈模型的效率与策略能力，为进一步探索GNN在完美信息博弈中的潜在价值提供了理论支持和实践基础。

关键词

图神经网络 / 爱恩斯坦棋 / 计算机博弈 / 完美信息博弈