ランダム指し相手で勝つまでの平均手数が減らないのは、単手数で勝つ事を目標にしていない（手数とは無関係に報酬を与えている）ので、当然の結果かもしれません。 ただ、そうであっても序盤〜中盤の指し手が変なので、もうちょっと調べてみます。

評価関数の持ち駒の処理でおかしな部分は一つ修正したものの、それが根本的な原因とは思えないです。 強化学習エージェントの方は処理がごちゃごちゃしているので、読むだけでも苦労しています。 もう、いっその事エージェントを一から実装し直すか…って、そ…

一晩動かした感じだと、ちゃんと探索した方が勝率ほぼ100%。 ただし、勝つまでの平均手数は20000局通じて50〜60手で変わらず。 可能性としては二つです。 一局だけで「最短で勝つ方法」を学習した。 実はほとんど学習していない（特に序盤・中盤）。 1は無い…