摘要

本文介绍了一种名为Xiangqi Structurally Variable (XQSV)的创新深度学习架构，旨在模拟中国象棋（Xiangqi）中人类玩家的行为模式。XQSV的独特之处在于其能够动态改变其结构配置，根据训练数据的特定子集优化性能。论文通过引入多项设计改进，显著提高了网络的预测准确性，包括局部非法移动过滤器、Elo范围分区、顺序一维输入和模拟不完美记忆容量。实验评估显示，XQSV在训练的Elo范围内达到了约40%的预测准确性，表明模型成功模拟了该特定范围内玩家的棋局行为。通过三终端图灵测试，XQSV模型比传统象棋引擎更准确地模仿了人类行为，使其难以与真实人类对手区分。鉴于人类棋局游戏的固有非确定性，论文提出了两种补充的宽松评估指标。据我们所知，XQSV是首个模仿象棋玩家的模型。

原理

XQSV模型通过将象棋游戏中的移动预测问题视为分类问题来模拟人类行为。该模型采用循环神经网络（RNN）结合全连接层构建，能够计算每个移动的概率分布并选择概率最高的移动。XQSV的创新之处在于其可变网络结构，能够根据不同Elo范围内的玩家技能水平自动调整网络架构。这种结构变异性通过引入结构变量（SVs）来实现，这些变量控制网络的可变结构，从而使模型能够更有效地学习和模仿不同技能水平的玩家。

流程

XQSV的工作流程包括数据预处理、模型训练和评估。数据预处理阶段，原始象棋游戏数据从PlayOK.com获取，并进行Elo范围分区、移动提取、分组、映射到数字、记录分解和随机化。模型训练阶段，XQSV在六个Elo范围内进行训练，通过多阶段搜索优化网络结构。评估阶段，模型在不同Elo范围内的测试集上进行评估，并通过三终端图灵测试验证其模仿人类行为的能力。

应用

XQSV模型的应用前景广泛，可作为独立的游戏引擎提供更愉悦的用户体验，或辅助人类玩家提供战略建议。此外，该模型还可以集成到其他优先考虑最佳移动的游戏引擎中，提供强大的评估功能。随着对象棋游戏中人类行为模拟的研究深入，XQSV有望在教育、娱乐和人工智能研究领域发挥重要作用。