AI游戲開發(fā)和深度學(xué)習(xí)進(jìn)階

譯者序
前言
第1章　謎題與游戲AI的過(guò)去和現(xiàn)在 1
1.1　關(guān)于AI的預(yù)言成真了嗎 1
1.2　游戲AI的歷史和背景 2
1.3　游戲AI是否會(huì)剝奪人類的樂趣 7
1.4　游戲AI的意義 9
1.5　游戲的深?yuàn)W程度與“先下手為強(qiáng)”定理 10
第2章　解謎的AI 14
2.1　搜索樹 14
2.1.1　樹的構(gòu)造和圖形表達(dá) 14
2.1.2　深度優(yōu)先搜索 21
2.1.3　寬度優(yōu)先搜索 28
2.1.4　A*搜索 32
2.2　推箱子 40
2.3　數(shù)字連線 43
2.4　日式華容道 46
2.5　孔明棋 48
2.6　嘗試用數(shù)學(xué)知識(shí)解決數(shù)獨(dú)問題 51
第3章　依賴約束的謎題和非單調(diào)推理 58
3.1　縱向搜索與回溯 58
3.2　數(shù)學(xué)家弄錯(cuò)的國(guó)際象棋謎題 58
3.3　線條圖的解釋與錯(cuò)覺畫 63
3.4　ATMS與四色問題 71
3.5　解開國(guó)際象棋謎題 83
3.5.1　盡可能放置多個(gè)棋子 84
3.5.2　盡可能攻擊多個(gè)區(qū)域 86
3.6　Knuth的謎題與位棋盤 88
第4章　會(huì)玩游戲的AI 90
4.1　井字棋與樹 90
4.2　游戲的樹搜索 91
4.3　黑白棋與Fool’s mate 104
4.4　A*馬里奧 110
4.5　蒙特卡羅樹搜索 114
4.6　立體四子棋 118
4.7　黑白棋的蒙特卡羅算法和NegaScout算法 123
4.8　如何贏得博弈 124
4.9　消滅幽靈：AI吃豆人 132
第5章　學(xué)習(xí)、進(jìn)化和游戲AI 140
5.1　來(lái)自AlphaGo的震撼 140
5.2　DQN和街機(jī)游戲 151
5.3　進(jìn)化的馬里奧 155
5.4　神經(jīng)進(jìn)化 158
5.5　吃豆人的神經(jīng)進(jìn)化 161
5.6　充滿好奇心的馬里奧 166
第6章　游戲AI與類人化 174
6.1　為什么需要類人化的AI 174
6.2　通用游戲是什么 175
6.3　圖靈測(cè)試和最類人化的AI 178
6.4　不使用“類人化”函數(shù)的類人化游戲AI 182
6.5　使用“類人化”函數(shù)的類人化游戲AI 190
參考文獻(xiàn) 199