用进化算法训练神经网络玩终极井字棋：任务无关的EA与MLP结合探索

本项目由stefanciutac于2026-06-13在GitHub发布（链接：https://github.com/stefanciutac/evoNN_UTTT），核心是将任务无关的进化算法(EA)与多层感知机(MLP)结合，训练AI掌握终极井字棋这一复杂策略游戏。项目展示了进化计算在强化学习领域的独特应用，为游戏AI开发提供新思路。

终极井字棋是经典井字棋的进阶版，采用3×3大网格嵌套小棋盘结构。玩家需占领大棋盘的三个格子获胜，每步棋限制对手下一步落子的小棋盘，形成复杂连锁反应，使得穷举搜索不可行，需深度策略理解。

1. 任务无关EA：模拟自然选择，通过初始化种群、对战评估适应度、选择优秀个体交叉变异迭代提升性能，框架可迁移至多种决策任务；2. MLP选择：以棋盘状态为输入，输出合法动作得分/概率，结构简单稳定，进化过程可自主发现有用连接，不受空间先验约束。

训练核心为适应度评估，通过神经网络相互对战收集胜负数据（综合胜率、平局率等指标）；表现优异个体通过交叉（组合父母权重）和变异（权重随机扰动）产生后代，群体搜索策略避免局部最优，探索创新策略。

亮点：任务无关设计提升通用性，自我对弈无需人类棋谱；挑战：棋盘状态高效编码、大量对局的计算成本、种群多样性维护（避免过早收敛）、区分"强平局"与"弱平局"的适应度函数设计。

启示：EA是RL有效替代方案（适用于梯度难计算场景），任务无关设计增强通用性；扩展：可应用于其他棋盘/实时策略游戏、机器人控制，为研究者提供神经进化入门案例，为游戏开发者提供挑战性AI对手方案。

项目证明纯进化方法可在复杂策略游戏中取得良好结果，展示神经进化的复兴趋势。随着计算资源普及与算法改进，期待更多神经进化应用；该项目是AI、游戏或进化计算爱好者值得深入研究的宝藏项目。