CN107661622A - 一种生成五子棋对局数据的方法 - Google Patents
一种生成五子棋对局数据的方法 Download PDFInfo
- Publication number
- CN107661622A CN107661622A CN201710842330.9A CN201710842330A CN107661622A CN 107661622 A CN107661622 A CN 107661622A CN 201710842330 A CN201710842330 A CN 201710842330A CN 107661622 A CN107661622 A CN 107661622A
- Authority
- CN
- China
- Prior art keywords
- beginning
- quintet game
- game
- office data
- quintet
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- A—HUMAN NECESSITIES
- A63—SPORTS; GAMES; AMUSEMENTS
- A63F—CARD, BOARD, OR ROULETTE GAMES; INDOOR GAMES USING SMALL MOVING PLAYING BODIES; VIDEO GAMES; GAMES NOT OTHERWISE PROVIDED FOR
- A63F3/00—Board games; Raffle games
- A63F3/00003—Types of board games
-
- A—HUMAN NECESSITIES
- A63—SPORTS; GAMES; AMUSEMENTS
- A63F—CARD, BOARD, OR ROULETTE GAMES; INDOOR GAMES USING SMALL MOVING PLAYING BODIES; VIDEO GAMES; GAMES NOT OTHERWISE PROVIDED FOR
- A63F3/00—Board games; Raffle games
- A63F3/02—Chess; Similar board games
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Multimedia (AREA)
- General Engineering & Computer Science (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Pure & Applied Mathematics (AREA)
- Databases & Information Systems (AREA)
- Biomedical Technology (AREA)
- Probability & Statistics with Applications (AREA)
- Operations Research (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Algebra (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Educational Technology (AREA)
- Toys (AREA)
Abstract
本发明涉及一种生成五子棋对局数据的方法,其包括以下步骤:设置五子棋禁手规则和棋盘大小;选取现有五子棋AI比赛排名在前R名的AI,并设置其性能;指定不同的开局;在指定的开局下,使用选取的五子棋AI进行互相对弈,生成对局数据。本发明采用五子棋AI比赛中棋力较高的不同AI,不同的高水平五子棋AI互相下棋生成五子棋对局数据,能够提高对局后期数据的质量和多样性。本发明指定不同的开局,并采用随机方式增加开局的多样性,能够增加AI所生成对局数据的多样性。可生成不同棋盘大小的五子棋对局数据。生成的对局数据可根据需求增多。生成的五子棋对局数据能够训练出有效的神经网络。
Description
技术领域
本发明属于数据处理技术领域,具体涉及一种生成五子棋对局数据的方法。
背景技术
五子棋是一种决策类桌面游戏,棋盘的大小一般为15×15或19×19个交叉点,对弈双方分为黑棋和白棋。黑白双方轮流在棋盘上落子,先连成5颗子的一方获胜。五子棋的规则可分为有禁手和无禁手,开局方式可分为swap,pro,soosyrv等。设置禁手和开局方式的目的是使黑白双方更为平衡。
五子棋AI(Artificial Intelligence,人工智能)通常使用的算法包括极大极小值算法和alpha-beta剪枝等。但由于有限的时间和庞大的搜索空间,五子棋AI的棋力还未明显超越五子棋职业选手。随着神经网络的发展,神经网络能自动从大量数据中提取特征。如果有了大量的五子棋对局数据,便能训练得出策略网络和估值网络,结合传统的蒙特卡洛树搜索和传统的快速走子网络,五子棋AI的棋力还有大幅提升的可能。著名的围棋AIAlphaGo就是利用了3千万步的围棋对局数据训练而成的。由此可见,五子棋对局数据对五子棋AI棋力的影响非常大。
目前,第一种方案是使用五子棋RenjuNet数据库的现有比赛数据作为五子棋对局数据,将有禁手和无禁手五子棋规则的数据都放在一起,共有约66000局比赛,棋盘大小为15×15,在人工去掉重复的数据后,共有1247582步棋。第二种方案是使用五子棋RenjuNet数据库中有禁手规则的数据作为五子棋对局数据,在只取一种开局方式数据的情况下,共有约15647局比赛,并在没有去掉重复数据的情况下约有60万步棋,棋盘大小为15×15。
采用第一种方案虽然将有禁手和无禁手五子棋规则的数据都放在一起能够增加五子棋对局数据量,但是没有使用价值。因为五子棋不同规则之间区别很大,这样训练出来的神经网络不能按照特定规则落子。另外,RenjuNet数据库的数据比例过于集中在对局的中期。因为真人比赛多数时会采用指定的平衡开局,在对局前期,数据缺少变化。又因为职业选手在比赛中会在结束前提前认输,这就导致每局最后致胜的几步棋数据比例很小。这样的数据比例会使得神经网络在训练中过度学习对局中期的走法,而学不到丰富的前期和后期走法。此外,这种方案中的五子棋对局数据只包括棋盘大小为15×15的,没有其他棋盘大小的数据,例如19×19。
采用第二种方案将某一种规则下的五子棋数据单独取出来,虽然可以训练出有效的神经网络,但数据量大幅减小,与AlphaGo训练围棋神经网络所用的3千万步棋差了两个数量级。过小的数据量会导致神经网络容易过拟合。另外,RenjuNet数据库的数据比例过于集中在对局的中期。虽然该方案采用暴力搜索的方法补全数据,能够增加每局最后几步棋的数据量,但是所使用的落子策略过于简单,无法完全还原职业选手的思路,导致只能补全15647局中的7119局。此外,这种方案中的五子棋对局数据只包括棋盘大小为15×15的,没有其他棋盘大小的数据,例如19×19。
发明内容
为了解决现有技术存在的上述问题,本发明提供了一种生成五子棋对局数据的方法。
本发明所采用的技术方案为:一种生成五子棋对局数据的方法包括以下步骤:设置五子棋禁手规则和棋盘大小;选取现有五子棋AI比赛排名在前R名的AI,并设置其性能;指定不同的开局;在指定的开局下,使用选取的五子棋AI进行互相对弈,生成对局数据。
进一步地,现有五子棋AI比赛排名采用五子棋AI世界杯Gomocup上的排名。
进一步地,所述五子棋AI的性能包括每一步棋所用的时间和整盘棋的内存。
进一步地,所述开局采用五子棋标准开局。
进一步地,所述开局采用五子棋比赛中出现的开局,将五子棋RenjuNet数据库中的每局比赛前几颗子作为开局,然后将开局恰当移植到所需的棋盘大小上。
进一步地,所述开局采用随机生成的开局。
更进一步地,所述随机生成的开局的具体过程为:首先,指定前u-1步棋;然后,从第u步开始随机落子,直到第u+v步;最后,将这u+v步作为开局。
更进一步地,所述随机落子的方式采用均匀分布或正态分布。
进一步地,所述开局采用五子棋标准开局、五子棋比赛中出现的开局以及随机生成的开局依次经过旋转对称和镜像对称后得到的开局。
进一步地,所述棋盘大小采用15×15、16×16、17×17、18×18、19×19或20×20等。
由于采用以上技术方案,本发明的有益效果为:本发明采用五子棋AI比赛中棋力较高的不同AI,不同的高水平五子棋AI互相下棋生成五子棋对局数据,能够提高对局后期数据的质量和多样性。本发明指定不同的开局,并采用随机方式增加开局的多样性,能够增加AI所生成对局数据的多样性。可生成不同棋盘大小的五子棋对局数据。生成的对局数据可根据需求增多。生成的五子棋对局数据能够训练出有效的神经网络。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。显而易见,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明一实施例提供的一种生成五子棋对局数据的方法的流程图;
图2是本发明一实施例提供的26种标准开局的示意图;其中,图(a)表示直指打法开局的示意图,图(b)表示斜指打法开局的示意图;
图3是本发明一实施例提供的5颗棋子在15×15的棋盘中的分布示意图;
图4是本发明一实施例提供的以19×19棋盘的中心为原点建立的直角坐标系的示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将对本发明的技术方案进行详细的描述。显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施方式,都属于本发明所保护的范围。
如图1所示,本发明提供了一种生成五子棋对局数据的方法,其包括以下步骤:
S1、设置五子棋禁手规则和棋盘大小;
由于禁手规则对于走法和胜负的判定有影响,因此有禁手和无禁手规则的数据需要单独生成和使用。
由于五子棋的棋盘边界对走法也有影响,因此棋盘大小也要明确指定。
具体地,设置无禁手五子棋,棋盘大小为19×19。
S2、选取现有五子棋AI比赛中排名在前R名的AI,并设置其性能;
AI的棋力和性能直接影响对局数据的质量。五子棋AI采用Elo方式进行排名。排名越高的AI棋力就越高,生成的对局数据的质量就越好。五子棋AI的性能包括以下指标:每一步棋所用的时间和整盘棋的内存。
每一步棋所用的时间越长,AI的搜索范围就越大,给出的落子选择就越好。然而,较长的搜索时间会降低对局数据生成的速度。在硬件资源允许的情况下,内存可以不做限制,内存越大AI的搜索范围越大。内存的大小不会影响对局数据的生成速度。
具体地,选取五子棋AI世界杯Gomocup上排名前十的AI,将各AI的每一步棋所用的时间设置为5秒,整盘棋的内存不做限制。
采用五子棋AI比赛中排名靠前的不同AI,能够提高对局后期数据的质量和多样性。
S3、指定不同的开局;
使用五子棋AI的主要问题是AI在同一个棋盘状态下落子重复性很高,导致对于一种开局,两个AI多次下出的棋局很可能是不变的。这就需要准备好大量不同的开局,才能确保生成的数据不重复。
具体地,采用以下几种开局:
(1)五子棋标准开局
无禁手五子棋一般不采用任何标准开局,第1颗子可以落在棋盘的任何位置。但是通常会将前几颗子落在棋盘的中心,这样落子的优势比在边界处落子要大。所以,如果将有禁手时的26种标准开局用来作为无禁手的开局也是符合真实情况的,因为这26种标准开局就是集中在棋盘中心。并且只涉及前3颗子,并没有对有禁手五子棋做更多的设计,也没有违背无禁手五子棋的规则。
图2是所有26种标准开局,大的黑子是黑棋第1颗子,永远在棋盘中心。大的白子是白棋第1颗子,只能在以棋盘中心为中心的3×3范围内。小的黑子是黑棋第2颗子,只能在以棋盘中心为中心的5×5范围内。
设以该方式指定的开局有k1个,在本实施例中,取k1=26。
(2)五子棋比赛中出现的开局
五子棋比赛中通常会制定开局方式,使得黑白棋在开局时更加平衡,不会有一方很有优势。如果将这些平衡开局指定给AI,能使出现的棋型更丰富,每局的竞争更激烈,不会因为开局的优势而过早结束。开局方式通常会涉及到前3颗至前5颗子。可以将五子棋RenjuNet数据库中的每局比赛前几颗子作为开局。
本实施例中,由于设定的规则是无禁手五子棋,因此选择RenjuNet数据库中无禁手五子棋采用swap-2方式开局的比赛。由于swap-2开局方式可能涉及到最多前5颗子,因此选择每局比赛的前5颗子作为一个开局。由于RenjuNet数据库中棋盘大小是15×15,需要将开局移植到本实施例中19×19的棋盘上。
需要注意的是边界对棋型的影响,如果5颗棋子都集中在棋盘中心,例如在棋盘中心5×5或7×7范围内,则可以同样移植到19×19棋盘的中心。如果5颗棋子都集中在棋盘的一方边界处,那么以保持与该边界同样距离的方式移植到19×19棋盘的边界。如果5颗棋子分散在棋盘的几个边界处,并且5颗棋子之间距离不远,那么不能简单得进行移植,需要分析其在19×19棋盘大小时的情况。
例如,图3中前5颗棋子都集中在棋盘左下角,第1颗子距离左边界和下边界都是1,那么同样可以移植到19×19棋盘左下角相应距离位置。设以该方式指定的开局有k2个,在本实施例中,RenjuNet数据库采用swap-2方式开局的比赛有1千盘以上,从中选取20盘,即k2=20。
(3)随机生成的开局
前两种生成的开局数量仍然有限,需要人工引入一些随机性来保证开局的多样性。
首先,指定前u-1步棋;然后,从第u步开始随机落子,直到第u+v步;最后,将这u+v步作为开局。随机方式可以采取均匀分布或正态分布等。其中,正态分布更贴近真实情况,因为五子棋在中心开局的优势比在边界大。
以棋盘中心为原点,建立如图4所示的直角坐标系,棋盘中位于同一行或同一列中的各交叉点之间的距离为1,这样19×19棋盘中x轴和y轴的坐标范围均为[-9,+9]。x坐标服从正态分布N(μ,σ2),其概率密度函数为:
取μ=0,σ越大落子越分散,σ越小落子越集中在棋盘中心。y坐标的分布与x坐标相同且互相独立。如果落子(x,y)超出了棋盘的边界或与已有落子重叠,则重新获取坐标(x,y)。
在本实施例中,取u=2,v=1,随机方式采用正态分布。指定第1步棋为棋盘中心,因为从五子棋的标准开局可以看出第一步棋都是在棋盘中心,相比走在边界处更有优势。第2步到第3步棋采用随机落子。取μ=0,σ=3,则3σ=9,这意味着有99.7%的概率落子在棋盘上,与实际情况相符。
设以该方式指定的开局有k3个,在本实施例中,从中选取20盘,即k3=20。
(4)上述所有开局依次经过旋转对称和镜像对称后得到的开局。
一种棋型依次经过旋转对称和镜像对称后最多共有8种互不相同的棋型。在本实施例中,依次采用旋转对称和镜像对称。
需要注意的是,在使用上述三种方式指定开局时需要确保没有重复的开局。还需要确保指定的开局之间不是对称关系,否则再加入8种对称性后又会出现重复的开局。
在本实施例中,开局共有(k1+k2+k3)×8=528种。
对于上述每一种开局,将两个五子棋AI先后执黑棋,便可得到两盘不同的棋局,除非使用了两个相同的AI。
在本实施例中,选取10个不同的AI,让它们两两对局所能得到的不同场次共有55场,其中包括10场相同AI对局(即自己与自己对局)和45场不同AI对局。本实施例中生成的对局数为:528×(45×2+10)=52800。设平均每局的步数为40,则所生成的总步数为52800×40=2112000。
S4、在指定的开局下,使用选取的五子棋AI进行互相对弈,生成对局数据。
因为设定的AI每步时间为5秒,所以所需时间为2112000×5÷3600÷24=122.2天。如果采取并行方式同时生成数据,例如4台计算机,则所需时间约为122.2÷4=30.5天。
本发明采用五子棋AI比赛中棋力较高的不同AI,不同的高水平五子棋AI互相下棋生成五子棋对局数据,能够提高对局后期数据的质量和多样性。本发明指定不同的开局,并采用随机方式增加开局的多样性,能够增加AI所生成对局数据的多样性。随着指定的开局数量k1、k2和k3的增加,以及使用的AI数量的增加,所生成的对局数据可以根据需要继续增多。此外,棋盘大小也可以任意指定,不局限于15×15,可以采用16×16、17×17、18×18、19×19或20×20等。生成的五子棋对局数据能够训练出有效的神经网络。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明所披露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种生成五子棋对局数据的方法,其特征在于,它包括以下步骤:
设置五子棋禁手规则和棋盘大小;
选取现有五子棋AI比赛排名在前R名的AI,并设置其性能;
指定不同的开局;
在指定的开局下,使用选取的五子棋AI进行互相对弈,生成对局数据。
2.如权利要求1所述的一种生成五子棋对局数据的方法,其特征在于,所述现有五子棋AI比赛排名采用五子棋AI世界杯Gomocup上的排名。
3.如权利要求1所述的一种生成五子棋对局数据的方法,其特征在于,所述五子棋AI的性能包括每一步棋所用的时间和整盘棋的内存。
4.如权利要求1或2或3所述的一种生成五子棋对局数据的方法,其特征在于,所述开局采用五子棋标准开局。
5.如权利要求1或2或3所述的一种生成五子棋对局数据的方法,其特征在于,所述开局采用五子棋比赛中出现的开局,将五子棋RenjuNet数据库中的每局比赛前几颗子作为开局,然后将开局移植到所需的棋盘大小上。
6.如权利要求1或2或3所述的一种生成五子棋对局数据的方法,其特征在于,所述开局采用随机生成的开局。
7.如权利要求6所述的一种生成五子棋对局数据的方法,其特征在于,所述随机生成的开局的具体过程为:首先,指定前u-1步棋;然后,从第u步开始随机落子,直到第u+v步;最后,将这u+v步作为开局。
8.如权利要求7所述的一种生成五子棋对局数据的方法,其特征在于,所述随机落子的方式采用均匀分布或正态分布。
9.如权利要求1或2或3所述的一种生成五子棋对局数据的方法,其特征在于,所述开局采用五子棋标准开局、五子棋比赛中出现的开局以及随机生成的开局依次经过旋转对称和镜像对称后得到的开局。
10.如权利要求1或2或3所述的一种生成五子棋对局数据的方法,其特征在于,所述棋盘大小采用15×15、16×16、17×17、18×18、19×19或20×20。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710842330.9A CN107661622A (zh) | 2017-09-18 | 2017-09-18 | 一种生成五子棋对局数据的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710842330.9A CN107661622A (zh) | 2017-09-18 | 2017-09-18 | 一种生成五子棋对局数据的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107661622A true CN107661622A (zh) | 2018-02-06 |
Family
ID=61097067
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710842330.9A Pending CN107661622A (zh) | 2017-09-18 | 2017-09-18 | 一种生成五子棋对局数据的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107661622A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110141868A (zh) * | 2019-05-27 | 2019-08-20 | 合肥常春藤移动科技有限公司 | 一种用于竞速类游戏应用的ai追逐方法 |
CN110555480A (zh) * | 2019-09-05 | 2019-12-10 | 腾讯科技(深圳)有限公司 | 一种训练数据生成的方法及相关装置 |
CN110717591A (zh) * | 2019-09-28 | 2020-01-21 | 复旦大学 | 适用于多种棋类的落子策略和局面评估方法 |
CN113230644A (zh) * | 2021-05-13 | 2021-08-10 | 杭州中象微科技有限公司 | 一种象棋人工智能防作弊方法 |
CN113426094A (zh) * | 2021-06-30 | 2021-09-24 | 北京市商汤科技开发有限公司 | 一种棋力调整方法、装置、设备及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102012904A (zh) * | 2009-09-07 | 2011-04-13 | 周四红 | 一种棋谱文件的生成方法及系统 |
CN106422295A (zh) * | 2016-09-27 | 2017-02-22 | 珠海格力智能装备有限公司 | 对弈难度等级的处理方法及装置、机器人 |
-
2017
- 2017-09-18 CN CN201710842330.9A patent/CN107661622A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102012904A (zh) * | 2009-09-07 | 2011-04-13 | 周四红 | 一种棋谱文件的生成方法及系统 |
CN106422295A (zh) * | 2016-09-27 | 2017-02-22 | 珠海格力智能装备有限公司 | 对弈难度等级的处理方法及装置、机器人 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110141868A (zh) * | 2019-05-27 | 2019-08-20 | 合肥常春藤移动科技有限公司 | 一种用于竞速类游戏应用的ai追逐方法 |
CN110555480A (zh) * | 2019-09-05 | 2019-12-10 | 腾讯科技(深圳)有限公司 | 一种训练数据生成的方法及相关装置 |
CN110717591A (zh) * | 2019-09-28 | 2020-01-21 | 复旦大学 | 适用于多种棋类的落子策略和局面评估方法 |
CN110717591B (zh) * | 2019-09-28 | 2023-05-02 | 复旦大学 | 适用于多种棋类的落子策略和局面评估方法 |
CN113230644A (zh) * | 2021-05-13 | 2021-08-10 | 杭州中象微科技有限公司 | 一种象棋人工智能防作弊方法 |
CN113230644B (zh) * | 2021-05-13 | 2023-09-19 | 杭州中象微科技有限公司 | 一种象棋人工智能防作弊方法 |
CN113426094A (zh) * | 2021-06-30 | 2021-09-24 | 北京市商汤科技开发有限公司 | 一种棋力调整方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107661622A (zh) | 一种生成五子棋对局数据的方法 | |
Khan | Rent-seeking as Process | |
KR20180117534A (ko) | 정보처리장치, 게임프로그램, 및 정보처리방법 | |
CN112843737A (zh) | 虚拟对象的显示方法、装置、终端及存储介质 | |
Buro | The evolution of strong othello programs | |
CN107773985A (zh) | 虚拟奖品分配方法、装置及电子设备 | |
CN109011580A (zh) | 残局牌面获取方法、装置、计算机设备及存储介质 | |
Krumer et al. | Round‐robin tournaments with a dominant player | |
Somaskandhan et al. | Identifying the optimal set of attributes that impose high impact on the end results of a cricket match using machine learning | |
CN113543861A (zh) | 用于多任务学习的方法及系统 | |
CN106669145A (zh) | 一种策略游戏的资源分配系统和方法 | |
De Jong et al. | Metastrategies in the colored trails game | |
Lee | Is the small-ball strategy effective in winning games? A stochastic frontier production approach | |
US20160243436A1 (en) | Tile matching game | |
Slate | A chess program that uses its transposition table to learn from experience | |
Russell et al. | An empirical study of seeding manipulations and their prevention | |
CN101890220A (zh) | 一种通过牌型判断是否可以大过上家牌的方法 | |
Grutzik et al. | Predicting outcomes of professional dota 2 matches | |
CN107577808A (zh) | 一种多级列表页排序的方法、装置、服务器及介质 | |
CN105488070A (zh) | 一种数据处理方法和装置,及一种电子设备 | |
JP2021145732A (ja) | ゲームを提供するためのシステム、方法、及びプログラム | |
Yi et al. | Vicarious experimentation through imitation: Evidence from video game sequel releases | |
JP7534682B2 (ja) | 情報処理装置及び情報処理プログラム | |
Mi et al. | General Dynamic Difficulty Adjustment System for Major Game Genres | |
US20240157255A1 (en) | Fantasy Football Game System and Method of Playing Fantasy Football |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180206 |
|
RJ01 | Rejection of invention patent application after publication |