報酬の与え方を少し変える（一手指して勝てなかった時に与えるマイナスの報酬を、先後非対称の場合より絶対値を大きくする）のと温度を少し上げるのが効果的ッポイです。 とりあえず数通りのパラメータで一晩動かしてみて、上手くいったら次に行きます。 現…

温度固定でのソフトマックス手法は、温度次第では成功でした。 気になる点は二つほど。 温度を徐々に下げるよりも温度固定の方が収束が速い（単にパラメータ設定が良かっただけ?） 温度が0.01では成功し、温度0.02ではランダム指しと変わらない結果になる（…