人機博弈-吃子棋遊戲（四）搜尋演算法，人機

人機博弈-吃子棋遊戲（四）搜尋演算法，人機

博弈樹搜尋技術簡介：

博弈樹的搜尋演算法，負值極大搜尋，alpha-beta搜尋，渴望搜尋，PVS極窄視窗搜尋等。通常來說，搜尋演算法常常和以下技術聯合在一起。

如下：

1.置換表，記錄已經搜尋過的棋局，避免再次搜尋。

2.吃子啟發，優先試下能夠吃對方棋子的走法。

3.殺手啟發，曆史啟發簡化版。

4.曆史啟發，優先試下曆史統計資料得出的比較好的走法。

5.靜止期搜尋，繼續對某些葉子結點搜尋，避免水平線效應。

6.迭代加深搜尋，根據搜尋時間，狀態。決定是否繼續搜尋。

 有興趣的朋友可以深入研究一下上述技術和演算法。

 

吃子棋搜尋演算法：

我的程式最初的實現使用的負值極大搜尋演算法，之後改用alpha-beta搜尋演算法，後來又使用PVS極窄視窗搜尋演算法。

在我自己的實現裡沒有使用置換表，曆史啟發等技術。是因為吃子棋每層的走法數相對較少，所以並沒有使用。

但我們知道，這些技術可以很大的提高搜尋效率。

 

吃子棋搜尋演算法源碼：

接下來，看看吃子棋搜尋演算法的原始碼：

負值極大演算法

int CNegaMaxEngine::negaMax(int depth){    int currentMaxScore = -20000;//init value mini    int score;    int nextMoveCount;    int overNum = IsGameOver(CurPosition, depth);    if (overNum != 0)return overNum;    if (depth <= 0)        return m_pEval->Eveluate(CurPosition, (m_nMaxDepth - depth ) % 2 );    nextMoveCount = m_pMG->CreatePossibleMove(CurPosition, depth, (m_nMaxDepth - depth) % 2);    for (int i = 0; i < nextMoveCount; i++)    {        MakeMove(&m_pMG->m_MoveList[depth][i], (m_nMaxDepth - depth) % 2);        score = -negaMax(depth-1);        UnMakeMove(&m_pMG->m_MoveList[depth][i]);        if (score>currentMaxScore)        {            currentMaxScore = score;            if (depth == m_nMaxDepth){                            m_cmBestMove = m_pMG->m_MoveList[depth][i];            }        }    }    return currentMaxScore;}

alpha-beta演算法

int CAlphtBetaEngine::alphabeta(int depth,int alpha ,int beta){        int score;    int nextMoveCount;    int overNum = IsGameOver(CurPosition, depth);        if (overNum != 0)return overNum;    int whoTurn = (m_nMaxDepth - depth) % 2;    if (depth <= 0)        return m_pEval->Eveluate(CurPosition, whoTurn);    nextMoveCount = m_pMG->CreatePossibleMove(CurPosition, depth, whoTurn);    for (int i = 0; i < nextMoveCount; i++)    {        MakeMove(&m_pMG->m_MoveList[depth][i], whoTurn);        score = -alphabeta(depth - 1, -beta, -alpha);        UnMakeMove(&m_pMG->m_MoveList[depth][i]);        if (score>alpha)        {            alpha = score;            if (depth == m_nMaxDepth){                m_cmBestMove = m_pMG->m_MoveList[depth][i];            }        }        if (alpha >= beta)break;    }    return alpha;}

PVS演算法：

int CPVS_Engine::PrincipalVariation(int depth, int alpha, int beta){    int score;    int Count, i;    BYTE type;    int best;    i = IsGameOver(CurPosition, depth);    if (i != 0)        return i;    if (depth <= 0)    //葉子節點取估值        return m_pEval->Eveluate(CurPosition, false);    Count = m_pMG->CreatePossibleMove(CurPosition, depth, (m_nMaxDepth - depth ) % 2);     MakeMove(&m_pMG->m_MoveList[depth][0], (m_nMaxDepth - depth ) % 2);    best = -PrincipalVariation(depth - 1, -beta, -alpha);    UnMakeMove(&m_pMG->m_MoveList[depth][0]);    if (depth == m_nMaxDepth)        m_cmBestMove = m_pMG->m_MoveList[depth][0];    for (i = 1; i<Count; i++)    {        if (best < beta)        {            if (best > alpha)                alpha = best;            MakeMove(&m_pMG->m_MoveList[depth][i], (m_nMaxDepth - depth ) % 2);            score = -PrincipalVariation(depth - 1, -alpha - 1, -alpha);            if (score > alpha && score < beta)            {                best = -PrincipalVariation(depth - 1, -beta, -score);                if (depth == m_nMaxDepth)                    m_cmBestMove = m_pMG->m_MoveList[depth][i];            }            else if (score > best)            {                best = score;                if (depth == m_nMaxDepth)                    m_cmBestMove = m_pMG->m_MoveList[depth][i];            }            UnMakeMove(&m_pMG->m_MoveList[depth][i]);        }    }    return best;}

αβ剪枝演算法應用於五子棋中,急!!!

int ab(int n,int a,int b)
{
int temp;
if(n<=0)
return (評價函數); /*評價函數*/
for(每一個走法)
{
（產生節點函數）；
temp=-ab(n-1,-b,-a);
(撤消產生的節點函數);
if(temp>a)
a=temp;(此處可保留搜尋的最佳位置)
if(a>b)
break;
}
return a;
}
 
五子棋人機對戰演算法

總的來說，要讓電腦知道該在哪一點下子，就要根據盤面的形勢，為每
一可能落子的點計算其重要程度，也就是當這子落下後會形成什麼棋型（如：“沖四”、“活三”等），然後通覽
全盤選出最重要的一點，這便是最基本的演算法。當然，僅靠當前盤面進行判定是遠遠不夠的，這樣下棋很輕易掉進
玩家設下的陷阱，因為它沒有考慮以後的變化。所以在此基礎上我們加入遞迴調用，即：在電腦中猜測出今後幾步
的各種走法，以便作出最佳選擇，這也是我們下棋時常說的“想了幾步”。如此一來您的程式便具有一定的水平了。
什嗎？不信！過來試試吧！
總體思路弄清之後，下面進行具體討論：
一：資料結構
先來看看資料結構，我們需要哪些變數？
首先得為整個棋盤建立一張表格用以記錄棋子資訊，我們使用一個15*15的二維數組 Table[15][15] (15*15是
五子棋棋盤的大小)，數組的每一個元素對應棋盤上的一個交叉點，用‘0’表示空位、‘1’代表己方的子、‘2’
代表對方的子；這張表也是今後分析的基礎。
在此之後還要為電腦和玩家雙方各建立一張棋型表Computer[15][15][4]和Player[15][15][4]，用來存放棋型
資料，就是剛才所說的重要程度，比如用‘20’代表“沖四”的點，用‘15’代表“活三”的點，那麼在計算重要
性時，就可以根據20>15得出前者比後者重要，下子時電腦便會自動選擇“沖四”的點。那為什麼棋型表要使用三
維數組呢？因為棋盤上的每一個點都可以與橫、豎、左斜、右斜四個方向的棋子構成不同的棋型，所以一個點總共
有4個記錄；這樣做的另一個好處是可以輕易判定出複合棋型，例如：假如同一點上有2個‘15’就是雙三、有一個‘15’和一個‘20’就是四三。
怎麼樣！3個數組構成了程式的基本資料骨架，今後只要再加入一些輔助變數便可以應付自如了。應該不會太
難吧？OK！有了這麼多有用的資料，我們就可以深入到程式的流程中去了。
二：程式流程
我們主要討論五子棋的核心演算法，即：人工智慧部分，而其他像圖形顯示、鍵盤滑鼠控制等，因較為簡單，所
以就不作過多介紹了。
我們看到本程式由六個準系統模組構成，各模組的具體分析如下：
（1）初始化：首先，建立盤面數組Table[15][15]、對戰雙方的棋型表Computer[15][15][4]和Player[15]
[15][4]並將它們清零以備使用；然後初始化顯示器、鍵盤、鼠等輸入輸出裝置並在螢幕上畫出棋盤。
（2）主迴圈控制模組：控制下棋順序，當輪到某方下子時，負責將程式轉到相應的模組中去，主要擔當一個
調度者的角色。
（3）玩家下子：當輪到玩家下時，您通過鍵盤或滑鼠在棋盤上落子，程式會根據該點的位置，在Table[15]
[15]數組的相應地方記錄‘2’，以表明該子是玩家下的。
（4）盤面分析填寫棋型表：本程式核心模組之一，人工智慧演算法的根本依據！其具體實現方法如下：您在下
五子棋時，一定會先根據棋盤上的情況，找出當前最重要的一些點位，如“活三”、“沖四”等；然後再在其中
選擇落子點。但是，電腦不會像人一樣分析問題，要讓它知道哪是“活三”、哪是“沖四”，就得在棋盤上逐點
計算，一步一步的教它。
先來分析己方的棋型，我們從棋盤左上方出發，向右逐行搜尋，當碰到一個空白點時，以它為中心向左挨個
尋找，假如碰到己方的子則記錄然後繼續，假如碰到對方的子、空白點或邊界就停止尋找。左邊完成後再向右進
行同樣的操作；最後把左右兩邊的記錄合并起來，得到的資料就是該點橫向上的棋型，然後把棋型的編號填入到Co......餘下全文>>