sun428's blog

斯坦福大学的开放式课程 Stanford Engineering Everywhere (SEE)

sun428 — Fri, 19 Sep 2008 09:42:32 +0800

近日，斯坦福大学启动了”Stanford Engineering Everywhere (SEE)”计划。该计划类似于之前MIT的开放式课程，它将免费向大家提供课程录像，完整的课程资料，以及为参加SEE计划的学生提供了在线社交网络。

卡内基梅隆大学计算机系教授Randy Pausch的最后一课

sun428 — Wed, 30 Jul 2008 10:54:44 +0800

卡内基梅隆大学计算机系教授Randy Pausch的最后一课

2007年9月，罹患胰脏癌的Randy Pausch作了一次极为成功的《最后一课》演讲，演讲视频（Google video）的下载量超过了1千万次，奇幻基金会的创始人朱学恒先生也将其翻译成了中文。他在演讲中告诉观众永远不要放弃梦想，面对困难他说“但请记住，阻挡你的障碍必有其原因！这道墙并不是为了阻止我们，这道墙让我们有机会展现自己有多想达到这目标。这道墙是为了阻止那些不够渴望的人，它们是为了阻挡那些不够热爱的人而存在的。”

(more…)

昨晚收到《人工智能哲学》

sun428 — Mon, 10 Sep 2007 10:56:43 +0800

前两天在卓越网上买了本《人工智能哲学》，昨晚10点多送到我宿舍了。真不错，先表扬一下卓越 : )

这本书是本科时教我软件工程的孙涌老师极力推荐的，当时孙老师说如果能有一两个学生读一读这本书他就感觉很欣慰了。呵呵，刚刚拿到书还没仔细看，不过大体翻了一下感觉应该会物有所值，只怕自己看不懂。恩，认真读，读不懂也要硬着头皮读！！！

PS：今天是教师节，祝愿所有的老师教师节快乐！

(more…)

基于FKCN和SGNN神经网络的彩色图像分割方法研究和实现（本科毕业论文）

sun428 — Sat, 25 Aug 2007 00:39:38 +0800

呵呵，毕业了。现在把我的本科学士论文发上来献丑。希望能对刚刚接触写论文的学弟学妹们有所帮助。也欢迎正在学习神经网络的朋友来讨论交流。

我的论文题目是：《基于FKCN和SGNN神经网络的彩色图像分割方法研究和实现》——好长的题目啊。这么长的题目已经基本不必我在这里再啰嗦介绍了。稍微提一下，除了题目中出现的FKCN和SGNN两种神经网络之外，论文中还包括了对SOM（KCN）神经网络的介绍与实现（因为本来FKCN就是KCN的改进版嘛）。所以，想了解自组织映射（SOM）神经网络的朋友也可以看看。

(more…)

中国象棋软件（程序+源码+论文）下载

sun428 — Sat, 27 May 2006 22:48:18 +0800

可能有的朋友已经阅读过本blog上所连载的“中国象棋软件-引擎实现”系列文章了。如今，我们的整个程序已经完工。程序功能包括：
* 人机对弈；
* 盲棋模式；（注：此功能为创新功能）
* 搜索深度设定；（电脑棋力选择）
* 棋子、棋盘样式选择；
* 悔棋、还原；
* 着法名称显示；
* 下棋双方计时；

下面给出下载地址。其中的论文（与其称之为“论文”到不如叫做“开发手册”——小弟第一次写论文，写得有点不太规范），是在对前面blog上所载的“中国象棋软件-引擎实现”系列文章的汇总整理的基础上又进行了一定的扩充。扩充主要包括对搜索部分的较为详细的介绍以及对程序界面实现过程中的主要问题的介绍。

(more…)

中国象棋软件-引擎实现（七）测试程序

sun428 — Sun, 19 Mar 2006 11:29:17 +0800

之前我们已经讲了实现一个中国象棋软件的所有要素，本篇我们只是粗略地建一个工程再添加一点文件使得我们能看到程序的运行情况如何。

在界面完成之前，我先建了一个Win32控制台项目（学生朋友们对这个最熟悉也最容易理解）。根据前面所讲的我们已经有了CChessDef.h CChessMove.h CChessSearch.h HistoryHeuristic.h SortMove.h CChessEvaluate.h六个文件。将这六个文件加入工程后，再向工程里加入scCChess.h和scCChess.cpp两个文件。定义如下：

(more…)

中国象棋软件-引擎实现（六）局面评估

sun428 — Sun, 12 Mar 2006 20:25:09 +0800

前面已经讲过了棋局表示、着法生成、搜索算法（包括搜索辅助），在象棋程序中如果说搜索算法是心脏，那么局面评估就是大脑。搜索算法负责驱动整个程序，而局面评估则负责对搜索的内容进行判断评价。因而搜索与局面评估是整个程序的核心。

首先，先介绍一下在局面评估中需要考虑的因素。就不同的棋类可能要考虑的因素略有差异。在中国象棋中所要考虑的最基本的几个因素包括如下四点：

1、子力总和

子力是指某一棋子本身所具有的价值。通俗地讲就是一个棋子它值个什么价。例如，车值500的话，那可能马值300，卒值80等等。所以在评估局面时，我们首先要考虑双方的子力总和的对比。比如红方拥有士象全加车马炮，而黑方只有残士象加双马，则红方明显占优。

2、棋子位置（控制区域）

棋子位置（或称控制区域）是指某一方的棋子在棋盘上所占据（控制）的位置。例如，沉底炮、过河卒、以及车占士角等都是较好的棋子位置状态，而窝心马等则是较差的棋子位置状态。

3、棋子的机动性

棋子的机动性指棋子的灵活度（可移动性）。例如，起始位置的车机动性较差，所以我们下棋讲究早出车。同样四面被憋马腿的死马机动性也较差。

4、棋子的相互关系（包括攻击关系和保护关系）

这一点的分析较为复杂，因为一个棋子与不同的子之间往往存在多重关系。如：一个马可能在对方的炮的攻击之下同时它又攻击着对方的车。

(more…)

中国象棋软件-引擎实现（五）历史启发及着法排序

sun428 — Sat, 25 Feb 2006 18:40:58 +0800

既然Alpha-Beta搜索算法是在“最大-最小”的基础上引入“树的裁剪”的思想以期提高效率，那么它的效率就取决于树的结构——如果搜索了没多久就发现可以“裁剪”了，那么需要分析的工作量将大大减少，效率自然也就大大提高；而如果直到分析了所有的可能性之后才能作出“裁剪”判断，那此时“裁剪”也已经失去它原有的价值（因为你已经分析了所有情况）。因而，要想保证Alpha-Beta搜索算法的效率就需要调整树的结构，即调整待搜索的结点的顺序，保证“裁剪”可以尽可能早地发生。

我们可以根据部分已经搜索的结果来调整将要搜索的结点的顺序。因为通常一个局面经搜索被认为较好时，在其后继结点中往往有一些相似的局面（如某些无关紧要的棋子位置有所不同）也是较好的。“历史启发”就是建立在这样一种观点之上的。在搜索的过程中，每当找到一个好的走法，我们就给该走法累加一个增量以记录其“历史得分”，一个多次被搜索并认为是好的走法的“历史得分”就会较高。对于即将搜索的结点，按 “历史得分”的高低对它们进行排序，保证较好的走法（“历史得分”高的走法）排在前面，这样Alpha-Beta搜索就可以尽可能早地进行“裁剪”，从而保证了搜索的效率。

(more…)

中国象棋软件-引擎实现（四）搜索算法

sun428 — Sat, 25 Feb 2006 18:31:11 +0800

对于棋类软件的搜索算法经前人的努力已形成了较为成熟的Alpha-Beta搜索算法以及其它一些辅助增强算法。所以小生在自己的程序中直接借鉴了Alpha-Beta搜索算法并辅以了历史启发。对此两者王小春的《PC 游戏编程（人机博弈）》和ElephantBoard的主页 http://www.elephantbase.net上都有非常详细的介绍，所以这里我只简单介绍一下算法的主体思想：

首先对于棋类游戏存在一棵“博弈树”——树的每一个结点代表棋盘上的一个局面，对每一个局面（结点）根据不同的走法又产生不同的局面（生出新的结点），如此不断直到再无可选择的走法（棋局结束）。

(more…)

中国象棋软件-引擎实现（三）着法生成

sun428 — Fri, 02 Dec 2005 12:59:42 +0800

我们的程序需要让电脑能够在轮到它走子的时候执行一个它认为对它最有利的着法，那前提就是它要有诸多（也可能是唯一）可供选择的着法，提供所有可选着法的“清单”就是我们的着法生成器所要完成的。之后用搜索函数来搜索“清单”，并用局面评估函数来逐一打分，最后就可以选择“最佳”着法并实施了。

在着法生成器中，我采用的基本思想就是遍历整个棋盘（一个接一个地看棋盘上的每个位置点），当发现有当前下棋方的棋子时就根据它是何种棋子而相应地找出其所有合法着法，然后存入着法队列。

(more…)