Ernst A. Heinz

Scalable Search in Computer Chess (eBook, PDF)

Algorithmic Enhancements and Experiments at High Search Depths

• Format: PDF

Produktbeschreibung

Das Buch präsentiert neue Ergebnisse der Computerschach-Forschung in den Bereichen der selektiven Vorwärts-Baumbeschneidung, der effizienten Anwendung spieltheoretischen Wissens und des Suchverhaltens bei zunehmender Suchtiefe. Es zeigt, wie man die bereits gut abgestimmte Spielbaumsuche bei immer höheren Suchtiefen noch besser skalierbar macht. Das spielstarke Hochgeschwindigkeits-Schachprogramm "DarkThought" fungiert im Rahmen des ganzen Buchs als realistisches Testvehikel zur Durchführung zahlreicher Experimente mit einmalig hohen Suchtiefen. Die umfangreichen experimentellen Bewertungen belegen den praktischen Nutzen der vorgestellten Techniken in empirisch überzeugender Art und Weise.

---

Dieser Download kann aus rechtlichen Gründen nur mit Rechnungsadresse in A, B, BG, CY, CZ, D, DK, EW, E, FIN, F, GR, HR, H, IRL, I, LT, L, LR, M, NL, PL, P, R, S, SLO, SK ausgeliefert werden.

Produktdetails

• Verlag: Vieweg+Teubner Verlag
• Seitenzahl: 270
• Erscheinungstermin: 1. Dezember 2013
• Englisch
• ISBN-13: 9783322901781
• Artikelnr.: 53146650

Autorenporträt

Ernst A. Heinz earned his "Doktor" (Ph.D.) degree with "Auszeichnung" (summa cum laude) from the University of Karlsruhe, Germany, in July 1999 and joined the Laboratory for Computer Science at the Massachusetts Institute of Technology (M.I.T.), Boston/Cambridge, USA, as a Postdoctoral Fellow later that year. ----- German ----- Ernst A. Heinz bestand seine Doktorprüfung an der Universität Karlsruhe im Juli 1999 mit Auszeichnung und ist seit Herbst 1999 als "Postdoctoral Fellow" am "Laboratory of Computer Science" des "Massachussetts Institute of Technology" (M.I.T.) in Boston/Cambridge, USA.

Inhaltsangabe

Adaptive Null-Move Pruning - Extended Futility Pruning - Efficient Interior-Node - Recognition - Index Schemes of Endgame Databases - Knowledgeable Endgame Databases - 'DarkThought' Goes Deep - Self-Play Experiments Revisited