五子棋的AI设计

[rainit2006]

五子棋的AI设计（好文章） http://www.cnblogs.com/goodness/archive/2010/05/27/1745756.html

[rainit2006]

• 实现游戏界面 中间的棋盘是个canvas，一个15*15的Grid放满Button并将每个Button应用Style1开始时候透明度设为0，也就是根本看不到，在下棋的时候改变Button的背景和透明度，实现落子的效果。

• 进行输赢判断： 因为规则不同，“无禁手”和“有禁手”的输赢判断自然不同。先看无禁手：这个比较简单，遍历每个位置，然后从这个位置开始，分别判断它的四个方向：即横、竖、左上到右下、左下到右上。每个方向从中间点开始，往两边数连子数，然后将两个方向的连字数加和再加一（中间的棋子）。如果得到大于等于5，那么就说明下子方赢棋。

对于有禁手的五子棋，输赢判断还需要判断禁手，禁手的判定较为复杂。将待判断点放入黑棋子。然后搜索待判断点周边棋盘；还原棋盘；利用搜索结果依次对各方向进行分析，判断黑棋放入后所产生的棋型是否形成长连或形成某种四连或三连的的棋型。若形成长连，判定为禁手，返回长连禁手标识。若形成某种四连或三连的棋型，该棋型统计数加1，再对下一个方向进行判断，直到各个方向分析结束。若四连棋型或三连棋型的统计数大于１，则返回为禁手。其余情况返回非禁手。

• 构造棋型估分 我们可以将五子棋的连珠可以分为以下几种： 成5：即构成五子连珠 活4：即构成两边均不被拦截的四子连珠。 死4：一边被拦截的四子连珠 活3：两边均不被拦截的三字连珠 死3：一边被拦截的三字连珠 活2：两边均不被拦截的二子连珠 死2：一边被拦截的二子连珠 单子：四周无相连棋子

-得到位置估分AI 单纯应用棋谱以及对五子棋当前局势的分析，对每步进行估分，程序中做如下工作：将每个位置进行分析，假设AI落子在该位置，用以上打分规则为AI打分,并将得到的分数加一。然后，假设玩家落子在该点，为玩家打分，然后将所有的分值汇总。取最高分作为这个位置的估分，接下来就是取分数最高的位置下棋了。“位置估分”，下棋的时候，既可以考虑到自己攻击对手，又能考虑到对对手的防御，可以说，很多时候可以顶上考虑两步的AI。作实验，从网上下载了一个用博弈做的AI，和“位置估分”对下，结果是一胜一负。谁先子，谁赢得胜利。而且一步估分毫无疑问是最快的，即使遍历所有位置，也能很快的做出决策。

• 应用博弈树，提高AI智能 在对弈中,根据下一步由谁来走,AI对任何一个局面根据前面估分方法给出一个分数,我们把这个估分方法汇总成一个评估函数，并返回分值。据此来选择下一步的走法。由于人和AI是轮流落子，可以将人的估分也算入，并将前面加负号。那么，估值越大表明对AI越有利，估分越小则表明对AI越不利。那么每次AI选择都是从它可能的走法树的某层节点，返回评估值中最大点。而用户总是从走法树的某层节点中选择最小点，从而形成一棵极大极小搜索树，然后根据深度优先搜索，可以最后得到固定搜索深度下的一个最好的走法。我做了下试验，单纯应用博弈树，可以在100ms之内让AI考虑完整的两步，由于组合爆炸，当需要考虑三步的时候，就需要6s左右，4步就需要1分钟。

• 考虑层数，提高AI智能 层数是个很重要的信息.因为下棋时如果能2步获胜,不应选择4步获胜。对于输的棋型层数就更重要,AI必须尽可能拖延输的时间，就有更大的可能让AI化险为夷。这样，可以通过设置一个dep值。深度约浅，dep越大，用dep和得到的得分相乘，得到搜索节点的得分，再进行以上算法，进一步提高AI的智能。

• 应用α-β剪枝，提高AI速度

• 应用下棋范围，提高AI速度 根据五子棋的特点,可以产生一个棋面搜索范围。记录当前棋面所有棋子的最左最右最上最下点构成的矩形,我们认为下一步棋的位置不会脱离这个框3步以上。这样在棋子较少的时候，搜索节点的数量大大减少。可以将AI的速度提高一倍左右。

• 利用棋型得分，提高AI速度 可以每次只考虑当前得分前十的节点进行下一步搜索，大大减少了搜索范围，可以进一步增加搜索的深度。

• 利用置换表，提高AI速度 我们一般用递归的方法实现博弈树，但是，递归的效率是低的，而且很明显，有很多重复搜索的节点，所以，我们可以用一个表，记录下所有搜索过节点的情况，然后只要遇到搜索到的节点，就可以直接得到结果。置于这个“表”是什么，就是一个置换表，利用Zobrist算法，进行Hash处理，使在表中查找的时间大大缩短，这样AI的速度又能提高一个数量级。

• 利用多线程，提高AI速度 我们在第一层用一个线程分配器把第二层的候选节点分配给多个线程,每个线程包含着从第二层一个候选节点开始的搜索,然后等所有线程结束后,将所有线程的结果进行汇总,选出最大值。并行的程序，可以将速度提高一倍左右。

• 利用随机化算法，让确定方法不能必胜 但除了必杀招或者必防招,一个局面很多时候没有绝对最好的走法。而是有一些都不错的走法,那么可以把这些评分差不多走法汇集起来,然后随机选择它们中的一种走法,避免AI的走法的固定.这样最简单的方法避免固定方法AI必输。

• 让AI自学习，不再同一个地方犯错 上面的算法还没有自学习的能力,这样AI在下棋时还可能会重蹈覆辙。因此在每盘棋结束时,如果AI输，则进行大于搜索深度的步数回退。可以把倒数为搜索深度数目的局面定为目标局面，从倒数深度加一步局面进行预测,找到不会导出必败目标局面的局面。然后记录下这个局面和前面的局面，并据此修改评分函数。这样AI就不会犯曾经犯过的错误，达到自学习的效果。