(*bords de l'echiquier pour k (le roi)*)

let edges =

[(0,0);(0,1);(0,2);(0,3);(0,4);(0,5);(0,6);(0,7);(1,0);(2,0);(3,0);(4,0);(5,0);(6,0);(7,0); (7,1);(7,2);(7,3);(7,4);(7,5);(7,6);(7,7); (6,7);(5,7);(4,7);(3,7);(2,7);(1,7)] ;;

VOIR FICHIER database2.ml

let data = let temp = Array.create 30 [] in

for i=0 to (List.length edges)-1 do

temp.(i) <- Ensemble.elements (voisK (fst (List.nth edges i)) (snd (List.nth edges i))) done;temp;;

voisK: fonction de chessrules.ml qui détermine le voisinage de déplacement du roi sur un échiquier vide

data : les 28 diagrammes de déplacement pour le roi sur les bords

—————————————————————————————————————————————-

Avant de créer une interface personnelle, j'utilise JOONE, facile à mettre en oeuvre :

JOONE sur Sourceforge.net

joone installable sur toutes plateformes avec un installateur

Apprentissage : edges.(i) ⟶ data.(i) avec ajout ? de diagrammes intérieurs, on cherche le réseau qui donne les cas non appris

Vecteurs d'entrées :

edges au format JOONE fichier dataForJoone

Vecteurs de sorties :

data.(i) où 0<i<27 fichier dataForJoone

Essai N1

Perceptron multicouche :

Apprentissage des bords avec vecteurs d'entrées et de sorties de 64 bits : l'erreur (RMSE = 1.4 )

pour 28 exemples

Essai N2

Même réseau.

l'ajout de cases centrales jusqu'à 40 ne résoud pas l'erreur (passer à 48 ou davantage ?)

Essais N3

Même réseau.

Tentative de codages différents (en cours, si vous avez des suggestions ? merci (If you have suggestions, thank you)

———————————————————————————————————————————————

En utilisant fann (fast artificial neural network) : FANN Bibliothèque C/C++, entre autre

———————————————————————————————————————————————

Efficace pour les présentes expérimentations :

NeuralNetLab

En langage Python , modules TkInter (interface GUI) et Numerical (calculs rapides) necéssaires

sur le site IBM (cf. plus bas)

• Distances non euclidiennes

  Le novice au jeu évalue des distances “physiques” sur l'échiquier, proches de ses stimuli visuels (lors d'une prise de pièce, à l'aveugle, par exemple, son temps de calcul dépend de la distance d _eucl (piece - case - depart , piece - case - arrivee) euclidienne entre les cases.

  Le maître compte les cases et sa représentation de l'échiquier est abstraite (dite “city block”), spatiale et non physique, sémantique : il utilise une forme d'indexation des cases.

  Réf.: l'expertise cognitive aux échecs par Isaac Getz, Puf 1996

• Le joueur humain possède une représentation en image de l'échiquier.

• Le joueur en apprentissage des règles généralise ses connaissances des règles du jeu à toutes les positions (de l'espace des états qui en compte environs 35³⁰ ... ). Questions d'invariance.

  Réf.: Intelligence artificielle & Informatique théorique Collectif 2002 Cepadues

• prises de pièces équivalentes à des absorptions. obstacles de pièces de mêmes couleurs équivalents à des collisions.

  Réf.: SDJ extra , intelligence artificielle , décembre 2006

• structure des neurones comparée à la structure physique de l'échiquier avec ses pièces (même sous forme de diagramme)
• L'étude des cas particuliers (des règles particulières du pion, des roques ...) permet d'en apprendre plus sur les méthodes d'apprentissage.

• ”Le sujet fait tourner mentalement une représentation de l'objet, une 'image mentale' qui se comporte comme si elle possédait une rigidité physique et même une vitesse de rotation mesurable.”

  Réf.: L'homme neuronal, JP Changeux, Pluriel 1983 (p164)

Belle intro sur Wikipédia :

en francais

wikipedia(fr)

en anglais

wikipedia(en)

Divers :

neuralnetlab-IBM site (en) site d'IBM, nombreuses ressources