CN107694094A - 一种桥牌牌局样本生成方法 - Google Patents
一种桥牌牌局样本生成方法 Download PDFInfo
- Publication number
- CN107694094A CN107694094A CN201710934803.8A CN201710934803A CN107694094A CN 107694094 A CN107694094 A CN 107694094A CN 201710934803 A CN201710934803 A CN 201710934803A CN 107694094 A CN107694094 A CN 107694094A
- Authority
- CN
- China
- Prior art keywords
- gambling party
- population
- individual
- bridge
- gambling
- 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
- A63F13/00—Video games, i.e. games using an electronically generated display having two or more dimensions
- A63F13/60—Generating or modifying game content before or while executing the game program, e.g. authoring tools specially adapted for game development or game-integrated level editor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Genetics & Genomics (AREA)
- Physiology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种桥牌牌局样本生成方法,牌局样本生成方法包括以下步骤:S1.建立牌局约束数学模型;并进行牌局编码;S2.建立初始种群;S3.计算种群适应度;S4.保存父代和子代中较优的k个个体;然后判断终止条件,终止条件判断步骤包括:S41.分配时间是否用完;S42.种群中每个个体适应度是否满足要求;S5.执行遗传算法操作;S6.输出产生的牌局样本。本发明的有益效果是:本发明利用遗传算法充分发挥了已生成的牌局样本的作用,提供了一种快速、稳定的桥牌牌局样本生成方法,相比随机生成牌局样本方法,能够更快、更稳定地产生桥牌牌局样本。
Description
技术领域
本发明涉及桥牌牌局样本生成领域,更具体地说,本发明涉及桥牌叫牌和打牌过程中根据叫牌约束生成牌局样本的方法。
背景技术
人工智能近年来受到越来越多的关注,机器博弈作为人工智能的试金石,是人们不断研究的领域。不完全信息博弈,具有信息不完全透明、搜索空间巨大及估值函数复杂等特点,在现实生活中的应用更加广泛,如战争、股票市场及商场。桥牌分别叫牌和打牌两个阶段,这两个阶段中玩家只能看到自己的牌信息,叫牌过程中透露出的一些牌信息,都是不完全信息博弈。在叫牌和打牌过程中经常采用的方法是通过抽样的方法将不完全信息博弈转化为完全信息博弈,从而进行前向搜索。
现有的生成桥牌牌局样本的方法都是采用随机生成的方法。该方法是在符合各玩家牌张数的情况下,随机分配未知的牌,判断生成的样本是否符合叫牌约束,若符合则保留样本,判断生成的样本是否达到k个,若达到k个则返回k个样本,若生成的样本没有达到k个且分配的时间没有用完,则重新生成下一个样本;若不符合则丢弃,若分配的时间没有用完则重新生成样本。由于该方法生成样本时的盲目性,导致生成满足叫牌约束的样本时间长,抽样不稳定的问题。
遗传算法是模仿自然界生物进化机制发展起来的随机全局搜索和优化算法,它借鉴了达尔文的进化论和孟德尔的遗传学说。它能在搜索过程中自动获取和积累有关搜索空间的知识,并自适应的控制搜索过程以求得最优解。遗传算法操作使用适者生存的原则,在潜在地解决方案种群中逐次产生一个近似最优解的方案。在遗传算法的每一代中,根据个体在问题域中的适应度值和从自然遗传学中借鉴来的再造方法进行个体选择,产生一个新的近似解。这个过程导致种群中个体的进化,得到的新个体比原来个体更能适应环境,就像自然界中的改造一样。
遗传算法是计算机科学人工智能领域中用于解决最优化的一种启发式搜索算法,是进化算法的一种。进化算法最初是借鉴了进化生物学中的一些现象而发展起来的,这些现象包括遗传、变异、自然选择以及杂交等。
针对桥牌牌局生成问题的分析,采用遗传算法进行求解存在三方面的问题:
问题1:种群退化的问题。桥牌牌局样本生成过程中分配时间固定,为了在分配时间结束时保留个最优样本,所以需要解决种群退化的问题。
问题2:变异和交叉产生致死个体的问题。为了方便编码和解码,本问题采用符号编码法,而符号编码法在变异和交叉过程中可能出现致死个体的问题。
问题3:种群多样性的问题。由于桥牌时间的限制,产生的样本数少即初始种群小,此时种群多样性极为关键,在普通的遗传算法中种群多样性考虑较少。
发明内容
本发明的目的在于:针对已有的桥牌牌局生成方法的快速性较差、稳定性较差的问题,本发明提供一种桥牌牌局生成方法。
本发明采用的技术方案如下:
为了克服已有的桥牌牌局生成方法的快速性较差、稳定性较差的不足,本发明采用遗传算法,充分利用已产生的适应度较好牌局样本,提供了一种快速性良好、稳定性较好的桥牌牌局样本生成方法,包括以下步骤:
一种桥牌牌局样本生成方法,包括以下步骤:
S1,根据叫牌过程得到的叫牌信息建立牌局约束数学模型,并采用符号编码法对牌局进行编码;
S2,根据步骤S1中的牌局约束数学模型和编码后的牌局,,生成k个初始牌局,即k个个体,然后将生成的k个个体作为初始种群,将初始种群加入种群库;
S3,计算种群库中每个个体的适应度;
S4,保存种群库中较优的k个个体;然后判断保存下来的k个较优个体所形成种群迭代的终止条件,如满足终止条件,执行步骤S6,否则,执行步骤S5;
S5,执行遗传算法操作:
首先对步骤S4中保存的k个较优的个体进行选择,得到选择出的个体;
然后对选择出的个体以概率Pc进行交叉操作,对进行交叉操作的个体则以概率Pm执行变异操作;对种群中没有进行交叉操作的个体进行变异操作;将进行交叉变异操作后的个体加入种群库中;
最后,重复执行步骤S3、S4;
S6,结束种群迭代,输出牌局。
进一步地,步骤S1中的叫牌信息包括每个玩家手中每个花色的牌张约束和大牌点约束,牌局约束数学模型包括每个玩家的每个花色的牌张约束和大牌点约束;对整个牌局中牌的编码采用符号编码法。
进一步地,步骤S3中每个个体适应度为所有玩家的每个花色牌的张数和大牌点所满足约束的总数
进一步地,步骤S4中,种群迭代的终止条件判断步骤为:
S41,判断牌局样本分配时间是否用完,以保证产生的牌局样本的有效性,满足桥牌游戏对时间的要求;如果分配时间用完,执行步骤S6;否则,执行步骤S42;
S42,判断种群中每个个体适应度是否满足要求,保证适应度满足要求后退出迭代过程,防止不必要的迭代过程;如果种群中每个个体适应度满足要求,则执行步骤S6,否则,执行步骤S5。
进一步地,牌张约束包括梅花(C)、方块(D)、红心(H)和黑桃(S)四个花色的张数上限和下限值,大牌点约束为桥牌中大牌点的点力上限值和下限值。
进一步地,步骤S5中的变异方法为倒位算子。
综上所述,由于采用了上述技术方案,本发明的有益效果是:
1.本发明利用遗传算法产生桥牌牌局样本,克服了随机产生牌局的盲目性的问题。该发明可以更快、更准确的生成满足叫牌约束的牌局样本。
2.采用本方案生成桥牌牌局,解决了变异和交叉产生致死个体的问题。
3.采用本方案生成的桥牌牌局,能够产生足够大的样本数量,能够保证样本的多样性。
附图说明
图1是本发明桥牌牌局样本生成方法的流程图;
图2是本发明遗传操作流程图。
具体实施方式
本说明书中公开的所有特征,除了互相排斥的特征和/或步骤以外,均可以以任何方式组合。
下面结合图1、图2对本发明作详细说明。
一种桥牌牌局样本生成方法,包括以下步骤:
S1,根据叫牌过程得到的叫牌信息建立牌局约束数学模型,并采用符号编码法对牌局进行编码;
S2,据步骤S1中的牌局约束数学模型和编码后的牌局,生成k个初始牌局,即k个个体,然后将生成的k个个体作为初始种群,将初始种群加入种群库;
S3,计算种群库中每个个体的适应度;
S4,保存种群库中较优的k个个体;然后判断保存下来的k个较优个体所形成种群迭代的终止条件,如满足终止条件,执行步骤S6,否则,执行步骤S5;
S5,执行遗传算法操作:
首先对步骤S4中保存的k个较优的个体进行选择,得到选择出的个体;
然后对选择出的个体以概率Pc进行交叉操作,对进行交叉操作的个体则以概率Pm执行变异操作;对种群中没有进行交叉操作的个体进行变异操作;将进行交叉变异操作后的个体加入种群库中;
最后,重复执行步骤S3;
S6,结束种群迭代,输出牌局。
进一步地,步骤S1中的叫牌信息包括每个玩家手中每个花色的牌张约束和大牌点约束,牌局约束数学模型包括每个玩家的每个花色的牌张约束和大牌点约束;对整个牌局中牌的编码采用符号编码法。
进一步地,步骤S3中每个个体适应度为所有玩家的每个花色牌的张数和大牌点所满足约束的总数
进一步地,步骤S4中,种群迭代的终止条件判断步骤为:
S41,判断牌局样本分配时间是否用完,以保证产生的牌局样本的有效性,满足桥牌游戏对时间的要求;如果分配时间用完,执行步骤S6;否则,执行步骤S42;本方案中牌局样本分配时间只每次出牌时间,每次出牌时间由人为规定,一般在1.5秒以内,所以分配的时间也是在1.5秒以内的。
S42,判断种群中每个个体适应度是否满足要求,保证适应度满足要求后退出迭代过程,防止不必要的迭代过程;如果种群中每个个体适应度满足要求,则执行步骤S6,否则,执行步骤S5。
进一步地,牌张约束包括梅花(C)、方块(D)、红心(H)和黑桃(S)四个花色的张数上限和下限值,大牌点约束为桥牌中大牌点的点力上限值和下限值。
进一步地,步骤S5中的变异方法为倒位算子
实施例
图1示出了一种桥牌牌局样本生成方法,包括以下步骤:
S1.根据叫牌过程的到的信息建立牌局约束数据模型,牌局约束数据模型包括叫牌过程中得到的每个玩家的每个花色的牌张约束和大牌点约束。牌张约束包括梅花(C)、方块(D)、红心(H)和黑桃(S)四个花色的上限和下限值,大牌点约束包括桥牌中大牌点的上限值和下限值。
进行牌局编码,对桥牌牌局进行编码,采用符号编码法对整个牌局中未知的牌进行编码因为桥牌中有明手,在第一轮中只能看到自己的牌,所以未知的牌就是其余三家的;而在除第一轮外能看到自己的牌和明手的牌,所以未知的牌就是剩余两家的牌。如表1所示。
具体编码方式如下:把未知的牌放入一个数组a中,其中0≤ai≤51,分别对应编号为0-51的扑克牌。扑克牌编码如表1所示。数组g为对应牌的分配情况0≤gi≤3,gi为整数,牌对应的值为0、1、2或3,0、1、2、3分别对应北方位玩家(N),东方位玩家(E),南方位玩家(S)和西方位玩家(W)。其中0≤i≤NCardNum,i为整数,NCardNum为未知牌张数。
例如,如表1所示,叫牌结束后第一次出牌时有39张未知的牌,第一行表示哪个玩家拥有这张牌,第二行表示未知牌编码,对应牌的编码0-51。
表1
gi | 0 | 0 | 3 | 2 | … | 2 | 3 |
ai | a1 | a2 | a3 | a4 | … | a38 | a39 |
S2.初始种群,随机产生k=20个初始牌局,作为初始种群,即产生k=20个编码牌局,所产生的初始种群作为父代,此处父代即相当于实施方案里种群库中的种群。
S3.计算种群适应度,从叫牌过程中得到玩家的牌张和大牌点约束,生成的牌局满足约束的程度作为适应度。
适应度具体计算方式如下:
在叫牌过程中收集玩家信息得到玩家的牌张和大牌点约束。对于每个玩家的约束有5个(4个花色张数约束和1个大牌点约束),玩家i牌点值、大牌点的最大值和最小值分别用HCPi,HCPi,max和HCPi,min表示;玩家i黑桃张数值、黑桃张数最大值和最小值分别用SUITLEN_Si,SUITLEN_Si,max和SUITLEN_Si,min表示;玩家i红桃张数值、红桃张数最大值和最小值分别用SUITLEN_Hi,SUITLEN_Hi,max和SUITLEN_Hi,min表示;玩家i方块张数值、方块张数的最大值和最小值分别用SUITLEN_Di,SUITLEN_Di,max和SUITLEN_Di,min表示;玩家i梅花张数值、梅花张数最大值和最小值分别用SUITLEN_Ci,SUITLEN_Ci,max和SUITLEN_Ci,min表示。SC(n)={C1,C2,…,Ck}具体可表示为公式(1)。
其中,C1,C2,…,Ck表示具体的几个约束,SC(n)表示对于当前牌局的总的约束。0≤i≤3,Suit∈{S,H,D,C},SC表示该状态的约束集。则当前牌局状态S(n)={s∈S|C1(s)∧C2(s)∧…∧Ck(s)}。根据编码规则SUITLEN_Ci,SUITLEN_Di,SUITLEN_Hi,SUITLEN_Si的值函数为公式(2)所示。S(n)是一个具体的当前牌局状态,而S代表牌局可能的状态的集合,s属于S,即是S中的一种具体状态。而S(n)是满足于当前状态的所有可能的s的集合。
其中aj为牌的编码,为第0≤gj≤3张牌属于第gj个人,0≤j≤NCardNum。例如,为两个玩家分配牌,编号为0,1。则g数组中的值为i=0,1,a数组中的值为对应未知的牌编码,即需要分配的牌。当gj为0时,则aj这张牌属于0号玩家,aj%4=0表示第j张牌的花色是梅花,则该玩家中梅花的张数加1即SUITLEN_Ci=SUITLEN_Ci+1,以此类推可求出SUITLEN_Di,SUITLEN_Hi,SUITLEN_Si。
对于一个玩家的约束有5个,设为N_C个玩家产生牌,则约束有5×N_C个。为了简化适应度函数,减少遗传算法的计算过程时间,本文设计适应度函数为公式(3)所示,σ(x)为整个牌局中满足的约束个数,使用公(2)算出每个玩家的SUITLEN_Ci,SUITLEN_Di,SUITLEN_Hi,SUITLEN_Si后,将SUITLEN_Ci,SUITLEN_Di,SUITLEN_Hi,SUITLEN_Si与约束集SC比较,若满足约束则σ(x)=σ(x)+1,否则σ(x)不变。
f(x)=σ(x),0≤f(x)≤5×N_C (3)
S4.保存父代或子代中较优的k=20个个体,为了保证生成的牌局不退化,本发明保存父代和交叉变异后得到的个体中较优的k个个体作为下一代种群。
终止条件,判断种群迭代的终止条件,保证及时有效退出迭代过程。其具体过程又包括如下分步骤:
S41.判断分配时间是否用完,桥牌牌局样本必须在固定的时间内产生,以保证产生样本的有效性,满足桥牌游戏对时间的要求,如果分配时间用完,则执行步骤S6,否则,执行步骤S42。
S42.判断种群中每个个体适应度是否满足要求,保证了适应度满足要求后可以退出迭代过程,防止不必要的迭代过程,如果满足要求,则执行步骤S6,否则,执行步骤S5。
S5.执行遗传算法操作,首先对种群中的个体进行选择,然后对选择出的个体以一定的概率Pc=0.9进行交叉操作,若进行交叉操作则以概率Pm=0.01执行变异操作;对没有进行交叉操作的个体均进行变异操作,如图2所示。
具体执行方式如下:
选择操作:本发明采用轮盘赌的方法,其基本思想:通过公式(4)计算,该公式将求出父代群体的适应度,将某个个体适应度fi除以该代群体的总适应度从而求得该个体被选择的概率,保证了适应度越大的个体被选择的概率越大,即越符合叫牌约束的牌局被选择的概率越大。
交叉操作:首先随机地在父代中选择两杂交点,并交换相应的段,再根据段内的编码数字找出不符合规则的基因。通过调整段外区域上的编码数字,直到无冲突,则获得杂交后的两个合法的新个体。
pr1=(1 2 1|3 2 3 1|3 2 3 2 1)
pr2=(1 2 1|2 3 2 3|1 1 2 3 3) (5)
使用例子对父代个体如何进行交叉运算进行说明,如以下式子(5)所示,使用‘|’来表示产生的两个交叉点。简单地,使用长度为12的个体进行举例说明。pr1、pr2表示为玩家1,2,3平均分配4张牌,如图上式(5)所示。
现在交叉pr1、pr2的中间段,交叉后个体如式(6)所示。
现在产生的新个体是非法的,交换后牌局pr1多给玩家2分配了一张牌,少给玩家1分配了一张牌,所以从pr1中的交换段外抽取一个值为2的与pr2中的值为1的基因进行交换,如式子(7)所示。
式子(7)中的*处为从pr1、pr2中随机抽取的两个位置,则最后交叉得到的个体编码,式子(8)所示。
变异操作:随机产生两个变异的位置i和j,其中0≤i,j≤NCardNum,其中NCardNum表示未知牌张数,该位置上的值分别为gi,gj,其中0≤gi,gj≤3,当gi≠gj时,说明产生了两个合适的位置,则将g数组i,j之间的值进行反转。
简单地,使用长度为12的个体进行举例说明。pr表示为玩家1、2、3平均分配4张牌,式(9)所示。
随机产生交换的位置为1和4,则反转1到4之间的基因。编译后的个体式(10)所示。
将步骤S5处理后的种群作为子代,重复执行步骤S3、S4。
S6.输出产生的牌局样本,一般遗传算法输出最优个体,但是本发明采用遗传算法对整个种群进行变换,输出整个种群。
本发明提出了一种桥牌牌局样本生成方法,采用遗传算法,不再采用随机生成牌局样本的方法,避免了随机方法的盲目性,解决了一般遗传算法造成种群退化、产生致死个体和种群多样性低的问题。实验证明了该方法能够快速准确地生成桥牌牌局样本,并且在叫牌过程复杂时效果更好。
本领域的普通技术人员将会意识到,这里所述的实施例是为了帮助读者理解本发明的原理,应被理解为发明的保护范围并不局限于这样的特别陈述和实施例。凡是根据上述描述做出各种可能的等同替换或改变,均被认为属于本发明的权利要求的保护范围。表2
Claims (6)
1.一种桥牌牌局样本生成方法,其特征在于,包括以下步骤:
S1,根据叫牌过程得到的叫牌信息建立牌局约束数学模型,并采用符号编码法对牌局进行编码;
S2,根据步骤S1中的牌局约束数学模型和编码后的牌局,生成k个初始牌局,即k个个体,然后将生成的k个个体作为初始种群,将初始种群加入种群库;
S3,计算种群库中每个个体的适应度;
S4,保存种群库中较优的k个个体;然后判断保存下来的k个较优个体所构成的种群迭代的终止条件,如果满足终止条件,执行步骤S6,否则,执行步骤S5;
S5,执行遗传算法操作:
首先对步骤S4中保存的k个较优的个体进行选择,得到选择出的个体;
然后对选择出的个体以概率Pc进行交叉操作,对进行交叉操作的个体则以概率Pm执行变异操作;对种群中没有进行交叉操作的个体进行变异操作;
最后,将进行交叉变异操作后的个体加入种群库中;再重复执行步骤S3、S4;
S6,结束种群迭代,输出牌局。
2.根据权利要求1所述的一种桥牌牌局样本生成方法,其特征在于,步骤S1中的叫牌信息包括每个玩家手中每个花色的牌张约束和大牌点约束,牌局约束数学模型包括每个玩家的每个花色的牌张约束和大牌点约束;对整个牌局中牌的编码采用符号编码法。
3.根据权利要求1所述的一种桥牌牌局样本生成方法,其特征在于,步骤S3中每个个体适应度为所有玩家的每个花色牌的张数和大牌点所满足约束的总数。
4.根据权利要求1所述的一种桥牌牌局样本生成方法,其特征在于,步骤S4中,种群迭代的终止条件判断步骤为:
S41,判断牌局样本分配时间是否用完,以保证产生的牌局样本的有效性,满足桥牌游戏对时间的要求;如果分配时间用完,执行步骤S6;否则,执行步骤S42;
S42,判断种群中每个个体适应度是否满足要求,保证适应度满足要求后退出迭代过程,防止不必要的迭代过程;如果种群中每个个体适应度满足要求,则执行步骤S6,否则,执行步骤S5。
5.根据权利要求2所述的一种桥牌牌局样本生成方法,其特征在于,牌张约束包括梅花(C)、方块(D)、红心(H)和黑桃(S)四个花色的张数上限和下限值,大牌点约束为桥牌中大牌点的点力上限值和下限值。
6.根据权利要求1所述的一种桥牌牌局样本生成方法,其特征在于,步骤S5中的变异方法为倒位算子。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710934803.8A CN107694094A (zh) | 2017-10-10 | 2017-10-10 | 一种桥牌牌局样本生成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710934803.8A CN107694094A (zh) | 2017-10-10 | 2017-10-10 | 一种桥牌牌局样本生成方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107694094A true CN107694094A (zh) | 2018-02-16 |
Family
ID=61183347
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710934803.8A Pending CN107694094A (zh) | 2017-10-10 | 2017-10-10 | 一种桥牌牌局样本生成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107694094A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108465244A (zh) * | 2018-03-30 | 2018-08-31 | 腾讯科技(深圳)有限公司 | 用于竞速类ai模型的ai参数配置方法、装置、设备及存储介质 |
CN110458295A (zh) * | 2019-08-19 | 2019-11-15 | 腾讯科技(深圳)有限公司 | 基于人工智能的棋牌关卡生成方法、训练方法及装置 |
CN110659023A (zh) * | 2019-09-11 | 2020-01-07 | 腾讯科技(深圳)有限公司 | 一种程序化内容生成的方法以及相关装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1670764A (zh) * | 2004-03-19 | 2005-09-21 | 中国科学院计算技术研究所 | 基于遗传算法的人脸样本生成方法 |
CN103106538A (zh) * | 2011-11-11 | 2013-05-15 | 刘剑国 | 油田注水系统拓扑布局优化方法 |
CN103324983A (zh) * | 2013-06-08 | 2013-09-25 | 江苏大学 | 一种基于免疫遗传混合算法的机构运动链同构识别方法 |
CN104331739A (zh) * | 2014-10-31 | 2015-02-04 | 国网重庆市电力公司电力科学研究院 | 基于遗传算法的太空发电接收站无功补偿控制方法及系统 |
CN104751388A (zh) * | 2015-03-01 | 2015-07-01 | 江西科技学院 | 一种基于遗传算法的高校排课方法 |
CN105117461A (zh) * | 2015-08-24 | 2015-12-02 | 昆明理工大学 | 一种基于改进的遗传算法的查询优化方法 |
CN105488593A (zh) * | 2015-12-07 | 2016-04-13 | 嘉兴国电通新能源科技有限公司 | 一种基于遗传算法的定容分布式电源发电最优选址及容量分配方法 |
CN106682254A (zh) * | 2016-09-30 | 2017-05-17 | 杭州谱谐特科技有限公司 | 一种基于自适应遗传算法的立体车库优化方法 |
-
2017
- 2017-10-10 CN CN201710934803.8A patent/CN107694094A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1670764A (zh) * | 2004-03-19 | 2005-09-21 | 中国科学院计算技术研究所 | 基于遗传算法的人脸样本生成方法 |
CN103106538A (zh) * | 2011-11-11 | 2013-05-15 | 刘剑国 | 油田注水系统拓扑布局优化方法 |
CN103324983A (zh) * | 2013-06-08 | 2013-09-25 | 江苏大学 | 一种基于免疫遗传混合算法的机构运动链同构识别方法 |
CN104331739A (zh) * | 2014-10-31 | 2015-02-04 | 国网重庆市电力公司电力科学研究院 | 基于遗传算法的太空发电接收站无功补偿控制方法及系统 |
CN104751388A (zh) * | 2015-03-01 | 2015-07-01 | 江西科技学院 | 一种基于遗传算法的高校排课方法 |
CN105117461A (zh) * | 2015-08-24 | 2015-12-02 | 昆明理工大学 | 一种基于改进的遗传算法的查询优化方法 |
CN105488593A (zh) * | 2015-12-07 | 2016-04-13 | 嘉兴国电通新能源科技有限公司 | 一种基于遗传算法的定容分布式电源发电最优选址及容量分配方法 |
CN106682254A (zh) * | 2016-09-30 | 2017-05-17 | 杭州谱谐特科技有限公司 | 一种基于自适应遗传算法的立体车库优化方法 |
Non-Patent Citations (1)
Title |
---|
赵晶晶: "改进的遗传算法在样本选择中的应用研究", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108465244A (zh) * | 2018-03-30 | 2018-08-31 | 腾讯科技(深圳)有限公司 | 用于竞速类ai模型的ai参数配置方法、装置、设备及存储介质 |
CN108465244B (zh) * | 2018-03-30 | 2019-05-07 | 腾讯科技(深圳)有限公司 | 用于竞速类ai模型的ai参数配置方法、装置、设备及存储介质 |
WO2019184777A1 (zh) * | 2018-03-30 | 2019-10-03 | 腾讯科技(深圳)有限公司 | 用于竞速类ai模型的ai参数配置方法、装置、设备及存储介质 |
US11911702B2 (en) | 2018-03-30 | 2024-02-27 | Tencent Technology (Shenzhen) Company Limited | AI parameter configuration method and apparatus for racing AI model, AI parameter configuration device, and storage medium |
CN110458295A (zh) * | 2019-08-19 | 2019-11-15 | 腾讯科技(深圳)有限公司 | 基于人工智能的棋牌关卡生成方法、训练方法及装置 |
CN110458295B (zh) * | 2019-08-19 | 2021-10-26 | 腾讯科技(深圳)有限公司 | 基于人工智能的棋牌关卡生成方法、训练方法及装置 |
CN110659023A (zh) * | 2019-09-11 | 2020-01-07 | 腾讯科技(深圳)有限公司 | 一种程序化内容生成的方法以及相关装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Khalifa et al. | Intentional computational level design | |
Lee et al. | The computational intelligence of MoGo revealed in Taiwan's computer Go tournaments | |
Thakkar et al. | Autoencoder and evolutionary algorithm for level generation in lode runner | |
CN107694094A (zh) | 一种桥牌牌局样本生成方法 | |
Janusz et al. | Helping ai to play hearthstone: Aaia'17 data mining challenge | |
Justesen et al. | Playing multiaction adversarial games: Online evolutionary planning versus tree search | |
Gao et al. | Bloody Mahjong playing strategy based on the integration of deep learning and XGBoost | |
CN110458295B (zh) | 基于人工智能的棋牌关卡生成方法、训练方法及装置 | |
CN109344879A (zh) | 一种基于文本-图像对抗网络模型的分解卷积方法 | |
Susanto et al. | Maze generation based on difficulty using genetic algorithm with gene pool | |
CN113893547A (zh) | 一种基于适应度函数的数据处理方法、系统及存储介质 | |
Dobre et al. | Online learning and mining human play in complex games | |
Rupp et al. | GEEvo: Game Economy Generation and Balancing with Evolutionary Algorithms | |
Phon-Amnuaisuk | Evolving and discovering Tetris gameplay strategies | |
Safak et al. | Automated maze generation for Ms. Pac-Man using genetic algorithms | |
CN113946604B (zh) | 分阶段围棋教学方法、装置、电子设备及存储介质 | |
Greenwood et al. | Evolutionary games and the study of cooperation: Why has so little progress been made? | |
Ashlock et al. | Multiple opponent optimization of prisoner’s dilemma playing agents | |
Ashlock et al. | Deck-based prisoner's dilemma | |
Patrascu et al. | Artefacts: Minecraft meets collaborative interactive evolution | |
Ihara et al. | Neuro-evolutionary approach to multi-objective optimization in one-player mahjong | |
Thawonmas et al. | Identification of player types in massively multiplayer online games | |
Ashlock et al. | Toward general mathematical game playing agents | |
Kowalski et al. | Procedural content generation for GDL descriptions of simplified boardgames | |
Couëtoux et al. | Monte carlo tree search in go |
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: 20180216 |
|
RJ01 | Rejection of invention patent application after publication |