| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 引言 | 第10-16页 |
| 1.1 研究背景 | 第10-11页 |
| 1.2 机器博弈历史与发展 | 第11-12页 |
| 1.3 本文贡献 | 第12-13页 |
| 1.4 组织结构 | 第13-16页 |
| 第2章 机器博弈理论基础与相关算法介绍 | 第16-30页 |
| 2.1 机器博弈理论简介 | 第16-18页 |
| 2.1.1 博弈论相关概念简介 | 第16-17页 |
| 2.1.2 博弈论与机器博弈 | 第17-18页 |
| 2.2 机器博弈过程模型 | 第18-20页 |
| 2.2.1 拓展型博弈问题 | 第18-19页 |
| 2.2.2 完美信息拓展型博弈过程 | 第19页 |
| 2.2.3 非完美信息拓展型博弈过程 | 第19-20页 |
| 2.3 传统机器博弈基本算法 | 第20-22页 |
| 2.3.1 基于极大极小搜索算法 | 第20-21页 |
| 2.3.2 α-β剪枝搜索 | 第21-22页 |
| 2.3.3 负极大值算法 | 第22页 |
| 2.4 蒙特卡洛树搜索算法与UCT算法 | 第22-24页 |
| 2.4.1 蒙特卡洛树搜索方法 | 第22-23页 |
| 2.4.2 UCT算法 | 第23-24页 |
| 2.5 具有不完全信息的机器博弈算法 | 第24-28页 |
| 2.5.1 基于CFR的搜索算法 | 第24-26页 |
| 2.5.2 基于确定性融合的搜索算法 | 第26-27页 |
| 2.5.3 基于信息集的蒙特卡洛树搜索算法 | 第27-28页 |
| 2.6 本章总结 | 第28-30页 |
| 第3章 基于信念状态的非完美信息博弈问题建模 | 第30-36页 |
| 3.1 非完美信息拓展型博弈问题 | 第30-32页 |
| 3.1.1 非完美信息拓展型博弈问题介绍 | 第30-31页 |
| 3.1.2 非完美信息拓展型博弈问题的复杂度 | 第31-32页 |
| 3.2 基于信念状态的非完美信息拓展型博弈问题模型 | 第32-34页 |
| 3.2.1 信念状态 | 第32-33页 |
| 3.2.2 非完美信息拓展型博弈问题建模 | 第33-34页 |
| 3.3 非拓展型博弈问题到非完美信息拓展型博弈问题的转化 | 第34页 |
| 3.4 本章小结 | 第34-36页 |
| 第4章 信念状态-蒙特卡洛树搜索方法 | 第36-42页 |
| 4.1 信念状态树 | 第36-37页 |
| 4.2 传统的信念状态树搜索算法 | 第37-38页 |
| 4.3 基于蒙特卡洛方法的信念状态树搜索 | 第38-39页 |
| 4.4 信念状态-蒙特卡洛树搜索算法 | 第39-41页 |
| 4.4.1 信念状态-蒙特卡洛树搜索算法过程 | 第39-41页 |
| 4.4.2 探测和利用 | 第41页 |
| 4.5 本章小结 | 第41-42页 |
| 第5章 基于对手模型的信念学习算法 | 第42-54页 |
| 5.1 对手模型的相关工作 | 第42-43页 |
| 5.2 参与者的信念 | 第43-44页 |
| 5.3 基于部分偏执的信念学习 | 第44-47页 |
| 5.4 基于随机最优反应估计的信念学习 | 第47-52页 |
| 5.4.1 随机最优反应估计 | 第47页 |
| 5.4.2 基于随机最优反应估计的对手猜测算法 | 第47-50页 |
| 5.4.3 基于随机最优反应估计的对手预测算法 | 第50-52页 |
| 5.5 本章小结 | 第52-54页 |
| 第6章 搜索算法与信念学习方法在幻影围棋中的应用 | 第54-64页 |
| 6.1 幻影围棋博弈问题简介 | 第54-55页 |
| 6.2 幻影围棋博弈问题中信息的处理 | 第55-57页 |
| 6.2.1 幻影围棋博弈中的提子信息处理 | 第55-56页 |
| 6.2.2 幻影围棋博弈中的非法信息的处理 | 第56-57页 |
| 6.3 搜索算法与信念学习算法在幻影围棋中的应用 | 第57-58页 |
| 6.3.1 信念状态-蒙特卡洛树搜索算法在幻影围棋中的应用 | 第57-58页 |
| 6.3.2 信念学习算法在幻影围棋中的应用 | 第58页 |
| 6.4 幻影围棋博弈问题中搜索算法的改进方法 | 第58-63页 |
| 6.4.1 基于混合策略的信念状态-蒙特卡洛树搜索算法 | 第59-60页 |
| 6.4.2 基于AMAF启发的信念状态-蒙特卡洛树搜索算法 | 第60-61页 |
| 6.4.3 基于信息探测的信念状态-蒙特卡洛树搜索算法 | 第61-63页 |
| 6.5 本章小结 | 第63-64页 |
| 第7章 基于幻影围棋的算法效果比较 | 第64-76页 |
| 7.1 基于一层蒙特卡洛树搜索算法的幻影围棋程序 | 第64-65页 |
| 7.2 信念状态-蒙特卡洛树搜索算法与信念学习算法的效果 | 第65-71页 |
| 7.2.1 信念学习算法的效果 | 第65-66页 |
| 7.2.2 历史采样的数量对算法效果的影响 | 第66-68页 |
| 7.2.3 搜索时间对算法效果的影响 | 第68-69页 |
| 7.2.4 历史采样与模拟棋局数最的平衡 | 第69-71页 |
| 7.3 基于幻影围棋特点的改进方法的效果 | 第71-75页 |
| 7.3.1 混合策略方法的效果 | 第71-72页 |
| 7.3.2 AMAF启发算法的效果 | 第72-74页 |
| 7.3.3 信息探测算法的效果 | 第74-75页 |
| 7.4 本章小结 | 第75-76页 |
| 第8章 总结与展望 | 第76-78页 |
| 8.1 本文的主要贡献 | 第76-77页 |
| 8.2 进一步工作与展望 | 第77-78页 |
| 参考文献 | 第78-82页 |
| 致谢 | 第82-84页 |
| 攻读硕士学位期间的论文项目情况 | 第84页 |
