A parte do processamento está no arquivo strategies.py, mais especificamente na classe Pyrarucu().
Todas as mudanças exceto quanto a notebooks devem ser nesse arquivo. Vamos refazer o bot, então é possível que você não encontre as funções descritas aqui no arquivo Python.
Para compreender um pouco melhor como bots de Xadrez funcionam, vamos explicar alguns conceitos:
Um bitboard é um array de bits muito comum em jogos de computador, onde cada bit representa uma peça ou um espaço. No nosso caso, o Bitboard é uma ferramenta que ajuda a produzir uma representação vetorial do tabuleiro de Xadrez.
Existem 12 tipos de peças diferentes no jogo, sendo o peão branco, o bispo branco, ... e o rei preto. Assim, cada peça pode receber sua representação em bitboards, que é um vetor de tamanho 64 (há um espaço para cada casa do tabuleiro) e recebe o valor 1 caso a peça se encontre ali e 0 caso contrário.
Esses vetores, quando empilhados (formando um único vetor de tamanho 12x64) podem ser utilizados para treinar algoritmos de aprendizado de máquina.
A função de análise def evaluation() recebe como entrada um tabuleiro de xadrez e retorna um valor que indica a situação atual do jogo. É comum que um valor positivo represente vantagem das brancas e vice-versa.
A magnitude da função é dada de tal forma que 1 ponto de vantagem é equivalente a um peão de vantagem.
A partir da função de análise, buscaremos encontrar qual lance leva a melhor posição.
Para isso, podemos criar uma árvore onde cada nó é uma posição com um valor assinalado pela função de análise. A partir da posição atual - o nó raiz da nossa árvore - diferentes lances levam a diferentes posições, que por sua vez podem ser vantajosas ou não. Considerando que o adversário sempre fará os melhores lances, a função de pesquisa encontra o lance que nos dá a melhor posição independente da resposta do oponente.
Uma forma muito comum de encontrar o caminho descrito no tópico anterior é através do algoritmo MinMax.
De forma simplificada, o algoritmo encontra o caminho que busca maximizar as posições vantajosas ao mesmo tempo que minimiza as posições com análise ruim.
As heurísticas desempenham um papel importante na hora de ajudar o programador a encontrar uma solução aproximada para um problema incerto. Para os bots de Xadrez, são bem úteis para diminuir o tempo de pesquisa e normalmente demandam conhecimento do jogo.
Por exemplo, podemos implementar uma heurística que priorize lances de xeque no turno do bot. Atualmente, é utilizada uma heurística para ordenar os movimentos por importância antes de analisar cada um. Assim, espera-se que haja uma melhora significativa no tempo de raciocínio do Pyrarucu.
Um dataset é uma base de dados imensa que pode ser utilizada para o treinamento de modelos de aprendizado de máquina. O dataset Chess Evaluations possui milhares de posições no formato FEN acompanhadas de respectivas análises pelo computador Stockfish.
Na nossa aplicação, atualmente utilizamos uma função de análise baseada em redes neurais que possui a etapa de treinamento com o dataset descrito no tópico passado.
Inicialmente transformamos os tabuleiros em diversos bitboards através da função fen_to_bit_array(). Com as representações vetoriais, podemos treinar a nossa rede neural para predizer o resultado esperado de acordo com o dataset.
Sequência de passos para construir os bitboards, treinar a rede neural e efetuar uma predição.
X = df['FEN'].apply(fen_to_bit_array).to_list()
y = df['Evaluation']
reg = MLPRegressor().fit(X, Y)
reg.predict(X_test)Com o qual obtemos o valor
0.07698299