3C-3
コンピュータ将棋へのTD(λ)法の適用:Bonanzaの評価関数パラメータ値
○五十嵐治一，山本一将（芝浦工大）
コンピュータ将棋の評価関数の自動学習に関しては，強化学習の一種であるTD(λ)法を
用いた試みがなされてきた．TD(λ)法はバックギャモンでは大成功を収めたが，将棋では
それほど良い結果は報告されていない．我々は，この原因として，評価関数中のパラメー
タが多い(例，Bonanza ver.4.1.3では約9000万個)ため，全くのゼロの状態から強化
学習を適用させて適切なパラメータ値を得るのは，計算量の点から難しいのではないかと考
えた．そこで，すでに公開されているBonanzaのパラメータ値を初期値として，TD(λ)に
より評価関数のパラメータ値を強化することを試みた．今回は対戦相手をBonanzaに固定
した学習実験の結果を報告する．