مدل پیامد-موردانتظار بازی‌های دوفردی ۲۰۱۴
The Expected-Outcome Model of Two-Player Games 2014

مدل پیامدِ مورد انتظار در بازی‌های دو نفره، به بررسی مدل پیامدِ مورد انتظار در بازی‌های دو نفره می‌پردازد که در آن، شایستگی نسبی گره‌های درخت بازی، به جای موقعیت‌های صفحه، مورد توجه قرار می‌گیرد. ابهام ارزیابی ایستا و مشکلاتی که در سیستم جستجو ایجاد می‌کند، بررسی شده و توسعه یک ارزیاب ایستای مستقل از حوزه توصیف می‌شود.

این کتاب که از هشت فصل تشکیل شده است، با مروری بر منطق مطالعه ریاضی بازی‌ها آغاز می‌شود و در ادامه به بحث در مورد برخی از تلاش‌های تحقیقاتی پیشین هوش مصنوعی (AI) در زمینه درخت‌های بازی می‌پردازد. بخش بعدی با تعریف مقدار پیامدِ مورد انتظار یک گره به عنوان مقدار مورد انتظار برگ‌های زیر آن آغاز می‌شود. مدل پیامدِ مورد انتظار تشریح می‌شود و توجه ویژه‌ای به مقدار پیامدِ مورد انتظار یک گره درخت بازی معطوف می‌گردد. این مدل بر روی نسخه‌های کوچک بازی دوز و اتللو پیاده‌سازی شده است.

کتاب همچنین نتایجی را ارائه می‌دهد که از اعتبار مدل پیامدِ مورد انتظار و منطقی بودن فرضیات زیربنایی آن به شدت پشتیبانی می‌کند. این مونوگراف برای متخصصان هوش مصنوعی و علوم کامپیوتر در نظر گرفته شده است.

The Expected-Outcome Model of Two-Player Games deals with the expected-outcome model of two-player games, in which the relative merit of game-tree nodes, rather than board positions, is considered. The ambiguity of static evaluation and the problems it generates in the search system are examined and the development of a domain-independent static evaluator is described. Comprised of eight chapters, this book begins with an overview of the rationale for the mathematical study of games, followed by a discussion on some previous artificial intelligence (AI) research efforts on game-trees. The next section opens with the definition of a node’s expected-outcome value as the expected value of the leaves beneath it. The expected-outcome model is outlined, paying particular attention to the expected-outcome value of a game-tree node. This model was implemented on some small versions of tic-tac-toe and Othello. The book also presents results that offer strong support for both the validity of the expected-outcome model and the rationality of its underlying assumptions. This monograph is intended for specialists in AI and computer science.