计算机博弈,也被称为机器博弈,其本质是期望计算机能够和人一样做出智能的决策。计算机博弈作为人工智能领域最富有挑战且十分重要的一个研究方向,对人工智能学科的发展起到推动作用。近年来,随着深度强化学习的快速发展,以Alpha Go为代表的博弈智能体取得了举世瞩目的成就,不仅促进了机器博弈理论与技术的进步,同时对人工智能的发展产生了深远的影响。藏久棋作为一种完备信息博弈的棋类游戏,主要流行于我国藏民族地区。由于其状态空间大且具有多阶段的特性,给机器博弈的研究增添了挑战和乐趣。相比于围棋、国际象棋等,藏久棋的研究相对较少,目前的研究包括基于棋型的决策、依靠样本进行贝叶斯网络的训练、规则库和开局库的设计等。本文以藏久棋为研究对象,主要开展了评估函数的设计、博弈搜索算法的优化以及博弈系统实现等方面的研究,主要的研究内容如下:首先,设计了适用于藏久棋的评估函数。详细介绍了藏久棋的规则和常见的棋型,分析了该棋种的主要特征并对策略表示和着法生成等进行数学建模。对藏久棋的评估参数进行分析,综合考虑了攻防模式、策略的动作价值、未来棋型的价值以及价值矩阵等因素,设计了一个高效的评估函数。其次,提出了结合神经网络的改进UCT算法。设计了包括数据自对弈、模型训练以及对弈评估等多个阶段的策略-价值网络,同时对自对弈产生的数据进行扩充。使用改进的二维正态分布矩阵加快模型的训练,确保了自对弈数据的多样性。使用并行多进程对传统的UCT算法进行优化,提高了博弈树的搜索效率。将改进的UCT算法与神经网络模型进行结合,并且把评估函数应用到该方法中,基于评估函数的改进UCT算法减少了对低潜力节点模拟的次数并取得了较好的成绩。最后,实现了完整的藏久棋博弈系统。为了更好地验证上述提出的方法,对藏久棋博弈系统进行了总体设计与实现。阐述了系统的开发平台、环境以及相关技术,详细说明了一些主要功能模块的具体实现,并且对整个博弈系统进行了多方面的测试,将人-人和人-机的对弈以可视化界面进行展示。