根據實驗結果與比賽紀錄，可以發現本程式所提出的各類改良算法確實讓電 腦麻將程式的牌力變得更好，藉由統計各家的捨牌，可以更準確掌握遊戲中各種 牌出現的真實機率，並且進行動態的權重更新，當對上其他玩家時也能夠自我調 整，並且統計的數據未來也可以做其他的發揮。另外避免放槍這領域依然還有許 多的發展空間，或許也可以藉由統計各家捨牌，嘗試建立出捨牌與胡牌之間的關 係表，可能就有辦法歸納出當那些牌出現過時，那些牌就是危險的。而小牌型的 比對則可以有效保護已到手的牌型，而未來也可以加入一些計算來使得捨牌可以 朝向該方向做發展。最後是大牌型的模擬，在這裡只實際選用了兩種牌型來做研 究，事實上其他的牌型也都可以如法炮製，再建立所有的表格後，當每一巡目需 要捨牌時，就可以選擇期望值最高的方向來做選擇，而未來也可以研究當有複數 選擇時，或許不一定是選期望值最高的選項，因為像是清一色與混一色可能要朝 向的方向大致相同，但跟字一色或是大三元這類的牌又不同了，所以同類型的應 該是可以一起比較。
而不管是動態的權重調整，或者是各種模擬統計的應用，這類方法可能也是 可以應用於其他類型的遊戲上面，同時麻將依然是一個剛起步的研究課題，有許 多算法都來有設計與改良的空間，希望本論文可以作為一個參考方向，讓未來能 夠有更好的研究成果出來。
附錄
尚缺
TAAI2012 The 1th Match TAAI2012 The 2th Match
TAAI2012 The 3th Match TAAI2012 The 4th Match
LongCat NDHU ThousandWind MAJO LongCat NDHU ThousandWind MAJO
TAAI2012 The 5th Match TAAI2012 The 6th Match
TAAI2012 The 7th Match TAAI2012 The 8th Match
LongCat NDHU ThousandWind MAJO LongCat NDHU ThousandWind MAJO
TCGA2013 The 1th Match TCGA2013 The 2th Match
TCGA2013 The 3th Match TCGA2013 The 4th Match
ThousandWind MAJO LongCat NDHU ThousandWind MAJO LongCat NDHU
TCGA2013 The 5th Match TCGA2013 The 6th Match
TCGA2013 The 7th Match TCGA2013 The 8th Match
ThousandWind MAJO LongCat NDHU ThousandWind MAJO LongCat NDHU
TCGA2013 The 9th Match TCGA2013 The 10th Match
TCGA2013 The 11th Match TCGA2013 The 12th Match
ThousandWind MAJO LongCat NDHU ThousandWind MAJO LongCat NDHU
結束巡目 胡牌次數 結束巡目 胡牌次數
1 台
混一色 胡牌時，牌由字牌及同一種花色序數牌組成。
參考文獻
[1]莊凱閔、陳玥汝，電腦麻將演算法及相關議題之研究。2007，第十二屆人工智 慧與應用研討會。
[2]林典餘，麻將人工智慧之研究。2008，國立交通大學研究所碩士論文。
[3]梁聖彥，朱德清，林順喜，機率性對局遊戲的電腦解法研究。2000，第五屆人 工智慧與應用研討會。
[4]張瓈文，「德州撲克」不完全資訊賽局之研究。2006，國立臺灣資訊工程研究 所碩士論文。
[5]葉俊廷，非完全資訊賽局-蜜月橋牌之研究。2009，國立臺灣資訊工程研究所 碩士論文。
[6]唐心皓，吹牛骰子之人工智慧改良。2011，國立臺灣資訊工程研究所碩士論文。
[7]勞永祥，電腦暗棋之人工智慧改良。2011，國立臺灣資訊工程研究所碩士論文。
[8]黃士傑，New Heuristics for Monte-Carlo Tree Search Applied to the Game of Go。
2011，國立臺灣資訊工程研究所博士論文。
[9]Ian Frank,Computer Bridge Survey.1997, Electrotechnical Laboratory, Machine Inference Group, Umezono 1-1-4, Tsukuba. Ibaraki, JAPAN 305。
[10]Ian Frank,David Basin,Search in games with incomplete information: a case study using Bridge card play.1998, Complex Games Lab, Electrotechnical Laboratory,
Umezono 1-1-4, Tsukuba,Ibaraki, JAPAN 305。
[11]M. Ginsberg, How computers will play bridge,The Bridge World.1995。
[12]Sylvain Gelly and David Silver.Combining online and offline knowledge in UCT.2007,In international Conference on Machine Learning。
[13]Sylvain Gelly and Yizao Wang.Exploration exploitation in Go:UCT for Monte-Carlo Go.2006, University of Paris-Sud, Orsay, France。
[14]Daniel Hellsson,A MahJong-Playing Program. 2000, LUND INSTITUTE OF TECHNOLOGY. Lund University。
[15]Stephen J. J. Smith,Dana Nau,Tom Throop,Computer bridge: A big win for AI planning.1998, AI Magazine, 19(2):93–105。
[16]Yoshimasa Tsuruoka, Daisaku Yokoyama, Takashi Chikayama,GAME-TREE SEARCH ALGORITHM BASED ON REALIZATION PROBABILITY. 2002, ICGA Journal。
[17]Sheldon M. Ross, Introduction to Probability Models, 2010。
[18]Noam Nisan,Tim Roughgarden,Eva Tardos,Vijay V. Vazirani, Algorithmic Game Theory, 2007。