Genetic algorithms for evolving chess evaluation functions

Abstract

This thesis presents an evolutionary approach to tuning the evaluation function of a chess engine, based on the method proposed by David et al. (2014). The engine uses a fixed set of evaluation features, while their numerical weights are optimized by a genetic algorithm. In the first stage, the population is trained on positions extracted from recorded games. In the second stage, selected individuals continue evolving through self-play. The implementation also provides a playable chess engine with support for the Universal Chess Interface. The experiments show that the system can produce a working set of automatically tuned evaluation parameters, but also point to limitations of exact move-prediction fitness, self-play evaluation, and the fixed search procedure.

Tato práce představuje evoluční přístup k ladění evaluační funkce šachového enginu, založený na metodě, kterou popsali David et al. (2014). Engine používá pevně danou sadu evaluačních příznaků, zatímco jejich číselné váhy jsou optimalizovány genetickým algoritmem. V první fázi je populace trénována na pozicích získaných ze zaznamenaných partií. Ve druhé fázi vybraní jedinci pokračují v evoluci pomocí self-play. Implementace zároveň poskytuje hratelný šachový engine s podporou rozhraní Universal Chess Interface. Experimenty ukazují, že systém dokáže vytvořit funkční sadu automaticky naladěných parametrů evaluační funkce, ale zároveň poukazují na omezení přesné predikce tahů, self- play evaluace a pevně daného prohledávání.