Confronto di algoritmi per il gioco degli scacchi

Abstract

Il presente lavoro analizza e confronta tre engine scacchistici — Critter, Houdini e Stockfish — caratterizzati da differenti ottimizzazioni algoritmiche nel processo decisionale. Tutti e tre condividono un’architettura di ricerca basata sull’algoritmo Negamax con potatura alpha-beta; tuttavia, implementano strategie di ottimizzazione differenti. In particolare, Stockfish integra un modulo di valutazione basato su rete neurale di tipo NNUE (Efficiently Updatable Neural Network).

L’analisi sperimentale è stata condotta mediante simulazioni automatizzate, realizzate attraverso la libreria Python “chess” e gli eseguibili ufficiali dei tre engine. Sono state eseguite numerose partite variando il tempo disponibile per mossa, al fine di valutare le prestazioni sia in condizioni di gioco rapido sia in contesti con maggiore profondità di calcolo.

I risultati evidenziano differenze significative in funzione del controllo di tempo. Nel confronto tra engine basati esclusivamente su approcci classici (Critter e Houdini), Critter mostra prestazioni superiori nelle partite rapide, probabilmente attribuibili a uno stile di gioco più aggressivo, mentre all’aumentare del tempo disponibile le prestazioni tendono a convergere verso l’equilibrio. Stockfish, grazie all’integrazione della rete neurale NNUE nel modulo di valutazione, ottiene invece un vantaggio sistematico sugli altri engine, con percentuali di vittoria prossime alla totalità.

Lo studio conferma che, sebbene l’ottimizzazione delle tecniche di ricerca tradizionali produca miglioramenti incrementali, l’integrazione di modelli neurali nel processo valutativo rappresenta un avanzamento sostanziale nelle prestazioni degli engine scacchistici, evidenziando il ruolo centrale dell’intelligenza artificiale nei sistemi decisionali complessi.

This thesis analyzes and compares three chess engines—Critter, Houdini, and Stockfish—characterized by different algorithmic optimizations in the decision-making process. All three share a search architecture based on the Negamax algorithm with alpha-beta pruning; however, they implement different optimization strategies. In particular, Stockfish integrates an evaluation module based on an NNUE (Efficiently Updatable Neural Network).

The experimental analysis was conducted using automated simulations, implemented through the Python “chess” library and the official executables of the three engines. Numerous games were played, varying the time available per move, in order to evaluate performance both in rapid play conditions and in contexts with greater calculation depth. The results highlight significant differences depending on time control. When comparing engines based exclusively on classical approaches (Critter and Houdini), Critter shows superior performance in rapid games, probably attributable to a more aggressive playing style, while as the time available increases, performance tends to converge towards equilibrium. Stockfish, thanks to the integration of the NNUE neural network in the evaluation module, obtains a systematic advantage over other engines, with win rates close to 100%.

The study confirms that, although the optimization of traditional search techniques produces incremental improvements, the integration of neural models into the evaluation process represents a substantial advance in the performance of chess engines, highlighting the central role of artificial intelligence in complex decision-making systems.