黑白棋中的AI

来源：

到了考试周了佯，可是偏偏这个时候迎来了很多很多的课程设计，幸好教授把C语言的课程设计提前发出了，不然都在最后几周，加上数据结构的课程设计就没有时间做这个啦~

刚开始打算做成UWP应用的，可是网上的教程都是C#，并且用C++做的话某些功能和C#不一样，所以就这样拖了好多周，省赛前一点儿也没有开始做，等到省赛结束之后，别人都差不多完成啦！而我才开始准备查找资料……

然而一周过去了，进度还是0%。噫，1% 吧！

眼看就要开始验收了，算了，还是用最简单的 EasyX 做吧！以后的 C# 课程设计再考虑 UWP。

周一开始敲代码，整整一周的课余时间，都在努力做这个，现在想起来，那个时候真的好累唉，居然没有感觉到~😔

最初做这个游戏是因为想起来 秦时明月 中的 墨攻棋阵 ，也就是黑白棋，努力还原动漫中的场景，周末的时候终于完成了。

先附图：

怎么说千千也都是新手呢！感觉做的还算满意吧！

人机对战中有三种模式哦！

简单、中等、困难

那么，接下来，我们一起来看看黑白棋中的AI是如何实现的。

对于我们来说，下棋的时候总是想着如何才能对自己最有利，当前最优？还是全局最优？

如果我们往后几步考虑的话，那便是全局最优啦！那当我们只看眼下哪一个位置的落子对自己最有利，这样便是当前最优，也是局部最优。

在黑白棋中，我们同样可以采用这样的思想。

首先来看看简单AI

因为简单呗，所以它返回的仅仅只是当前的最优解，再怎么说也不能让它随机返回坐标对吧！

那局部最优解又是以什么为评测标准的呢？

嗯，我们采用的是能够转换对方棋子最多的位置，这个可不是行动力哦！

POINT2 Easy()						//人机对战简单AI
{
    POINT2 MAX;					//定义以及初始化最优解
    MAX.INIT(0, 0);
    int maxx = 0;
    for (int i = 0; i < SIZE; ++i)
        for (int j = 0; j < SIZE; ++j)
        {
            if (expect[i][j] >= maxx)	//寻找可以转化棋子最多的点作为最优解
            {
                maxx = expect[i][j];
                MAX.INIT(i, j);
            }
        }
    if (ESCEXIT)gameStart();
    Sleep(800);					//间歇
    return MAX;					//返回最优解
}

呐，expect中便是每个点可以转换对方棋子的个数，这个 AI 简单吧！😄

其他难度 AI

既然是简单以上的难度，就不能再像那样简单啦！不然一个中等AI被简单AI击败多没意思，O(∩_∩)O哈哈~

首先，我们应该知道一个估值表的问题，在黑白棋中，不同位置都有不同位置的估值，虽然这样的估值表的用处并不是很大，但却在某些细节中表现出至关重要的作用。

黑白棋的棋盘默认是8*8的，总共64格。

从游戏规则我们可以看出来，角上的子很重要，因为这里不会被对方转换，角边上的点很危险，它给了对方直接进角的机会。

边上中间的四个点比较重要，只能从一个方向被翻转……等等。

根据这样的经验，我们大致可以得到以下的估值表：

	A	B	C	D	E	F	G	H
1	90	-60	10	10	10	10	-60	90
2	-60	-80	5	5	5	5	-80	-60
3	10	5	1	1	1	1	5	10
4	10	5	1	1	1	1	5	10
5	10	5	1	1	1	1	5	10
6	10	5	1	1	1	1	5	10
7	-60	-80	5	5	5	5	-80	-60
8	90	-60	10	10	10	10	-60	90

有了这张表，AI 进行估值的时候就很简单了，不过仅凭这一点可不行哦！

黑白棋的AI中，我们要考虑的除了估值表，还有稳定子。

稳定子，即不能被转换的棋子，稳定子的数量在游戏中是变化的，比如，一方占据整整一条边，那么这一条边上的所有棋子都是稳定子。

行动力，某方当前可走位置的个数，因为在黑白棋的游戏规则中，每一步的走棋都要形成转换，否则不能走棋，既然这样的话，我们在AI中便要尽可能让自己的行动力最大，而对方行动力最小，也就是尽可能让双方行动力差最大，这样的话，很容易AI便可以把玩家逼上绝路，玩笑而已……

除了这两个还有余裕手和潜在行动力，虽然并不懂~

对电脑AI设定中，我们的原则是能走角就走角，不到万不得已的情况下不要走邻角点。

对其他情况下采用极大极小博弈树搜索：

这里假设AI的对手都是最聪明的，会选择最优解，即会选择对AI最不利的选择。

搜出来的结果集是AI方的结果，那么要选择最终得分最高的那个位置

搜出来的结果集是玩家方的结果，那么要选择最终得分最低的那个位置。

如下图

假设圆形代表的是AI节点，方形代表玩家节点。

对于A2和A3这两种选择，AI显然是选择A2得10分。对于A4和A4这两种选择，AI显然是选择A4得20分。

但是对于B1，B2来说，玩家如果下B2，使得AI可以得20分，下B1，使得AI只能得10分，那么玩家显然是下B1。

所以最终A1这一步，AI只能得10分。这就是极大极小算法。

然后就是α-β剪枝：

现在A2，A3已经选出最大值10，B1的得分是10分。

而对于B1，B2来说是要选最小值，既然B1的得分是10分，则B1，B2之间的最终结果是<=10的。

而A4的得分是20分，对于A4，A5来说是选择最大值得，即A4，A5之间的最终结果是>=20的，说明B2的最终结果是>=20的。

那么这种情况下肯定是选B1了，对于还没有搜索的A5节点来说，已经影响不到最终的选择结果了，所以就可以不用考虑了。

然后得分的计算

这里每一步的得分，都是相对于AI来说的得分。

AI自己落子某一个位置，得一个正分，之后对手落子某一个位置，所得的分数对于AI来说就是一个负分（即玩家取得的优势，对于AI来说就是劣势）。

对于已经搜到最大深度的节点来说，它的得分就是这个位置的本身得分（因为后面已经不搜了）。

而对于中途节点来说，它的得分应该是这个位置的本身得分，加上下一步对方的选择结果的得分。这里不能只以最后一步的结果逆推的。

举个例子：

如上图的左右两种情况。

假设圆形代表的是AI节点，方形代表玩家节点。

其中分值表示的是节点自身落子该位置所获得的在估值表中的得分，玩家节点取负分。

如果只是用最深层的节点的得分，来计算最上层的节点的得分，那么按照上面极大极小算法，AI最后的得分：左边是10分，右边是5分。 那么AI选择左边的10分这种情况。

但是却造成了中间过程中，玩家可以得到50分的这样一个相对来说是比较好的分值。

而AI应该不让玩家取得这样一个比较好的优势。

所以要综合前后对方的落子位置以及得分来考虑最终得分：

AI最后的得分：左边是-30分，右边是-15分。 最终选择为右边，而不是左边。

极大极小搜索就是这样了，难度的抉择取决于搜索的深度，不过要保证的是不要超时哦！

接下来附上我的 墨攻棋阵 中的AI算法，估计只有一点点的沾边吧！

还有很多需要优化的地方惹😭

int difai(int x,int y,int mapnow[SIZE][SIZE],int expectnow[SIZE][SIZE],int depin,int depinmax)	//极大极小搜索
{
    if (depin >= depinmax)return 0;			//递归出口

    int maxx = -10005;				//最大权值
    POINT2 NOW;
    int expectnow2[SIZE][SIZE] , mapnow2[SIZE][SIZE],mapnext[SIZE][SIZE],expectlast[SIZE][SIZE];	//定义临时数组

    copymap(mapnow2, mapnow);			//复制当前棋盘

    mapnow2[x][y] = NOWCOLOR ? 1 : -1;		//模拟在当前棋盘上下棋
    int ME = MAPPOINTCOUNT[x][y] + expectnow[x][y];	//当前棋子权
    NOW.INIT(x,y);

    Change(NOW, mapnow2, false);			//改变棋盘AI结束

    int MAXEXPECT = 0, LINEEXPECT = 0, COUNT = 0;
    for (int i = 0; i < SIZE; ++i)
        for (int j = 0; j < SIZE; ++j)
        {
            expectnow2[i][j] = Judge(i, j, !NOWCOLOR, mapnow2);//预判对方是否可以走棋
            if (expectnow2[i][j])
            {
                ++MAXEXPECT;
                if ((i == 0 && j == 0) || (i == 0 && j == SIZE - 1) || (i == SIZE - 1 && j == SIZE - 1) || (i == SIZE - 1 && j == 0))return -1800;	//如果对方有占角的可能
                if ((i < 2 && j < 2) || (i < 2 && SIZE - j - 1 < 2) || (SIZE - 1 - i < 2 && j < 2) || (SIZE - 1 - i < 2 && SIZE - 1 - j < 2))++LINEEXPECT;
            }
        }
    if (LINEEXPECT * 10 > MAXEXPECT * 7)return 1400;//如果对方走到坏点状态较多 剪枝

    for (int i = 0; i < SIZE; i++)
        for (int j = 0; j < SIZE; j++)
            if (expectnow2[i][j])		//如果对方可以走棋
            {
                int YOU = MAPPOINTCOUNT[i][j] + expectnow2[i][j];//当前权值
                copymap(mapnext, mapnow2);	//拷贝地图
                mapnext[i][j] = (!NOWCOLOR) ? 1 : -1;		//模拟对方走棋
                NOW.INIT(i, j);
                Change(NOW, mapnext, false);			//改变棋盘

                for (int k = 0; k < SIZE; k++)
                    for (int l = 0; l < SIZE; l++)
                        expectlast[k][l] = Judge(k, l, NOWCOLOR, mapnext);	//寻找AI可行点

                for (int k = 0; k < SIZE; k++)
                    for (int l = 0; l < SIZE;l++)
                        if (expectlast[k][l])
                        {
                            int nowm = ME - YOU + difai(k, l, mapnext, expectlast, depin + 1, depinmax);
                            maxx = maxx < nowm ? nowm : maxx;
                        }
            }
    return maxx;
}

有关黑白棋AI极大极小搜索的算法也就这些了，希望本文能对你有一点帮助。

另外，墨攻棋阵的项目源码在我的 GitHub 里面，欢迎大家 Fork ，发现 Bug 后不要忘记给我留言哦！😝

墨攻棋阵源码：https://github.com/im0qianqian/Reversi