本文轉(zhuǎn)載至知乎ID：Charles（白露未晞）知乎個人專欄

下載W3Cschool手機(jī)App，0基礎(chǔ)隨時隨地學(xué)編程>>戳此了解

閑來無事寫了個比較愚蠢的AI五子棋。

T_T當(dāng)然你好好和它下，它還是比較機(jī)智的。

讓我們愉快地開始吧~~~

相關(guān)文件

網(wǎng)盤下載鏈接: https://pan.baidu.com/s/1DV09ZdyNMoZF2KoKQ4GH_A

密碼: ujrh

開發(fā)工具

Python版本：3.6.4

相關(guān)模塊：

graphics模塊。

環(huán)境搭建

安裝Python并添加到環(huán)境變量即可。

注：

graphics模塊在相關(guān)文件中已經(jīng)提供，就是一個py文件，直接放在當(dāng)前路徑或者放到python安裝文件夾下的site-packages文件夾內(nèi)均可。

原理簡介

對于五子棋這樣的博弈類AI，很自然的想法就是讓計算機(jī)把當(dāng)前所有可能的情況都嘗試一遍，找到最優(yōu)的落子點。這里有兩個問題：

（1）如何把所有可能的情況都嘗試一遍；

（2）如何定量判斷某落子點的優(yōu)劣。

對于第一個問題，其實就是所謂的博弈樹搜索，對于第二個問題，其實就是所謂的選擇評估函數(shù)。評估函數(shù)的選取直接決定了AI算法的優(yōu)劣，其形式也千變?nèi)f化?？梢哉f，每個評估函數(shù)就是一個選手，對不同的棋型每個選手自然有不同的看法和應(yīng)對措施，當(dāng)然他們的棋力也就因此各不相同了。

但博弈樹搜索就比較固定了，其核心思想無非是讓計算機(jī)考慮當(dāng)前局勢下之后N步所有可能的情況，其中奇數(shù)步（因為現(xiàn)在輪到AI下）要讓AI方的得分最大，偶數(shù)步要讓AI方的得分最小（因為對手也就是人類，也可以選擇最優(yōu)策略）。

當(dāng)然這樣的搜索其計算量是極大的，這時候就需要剪枝來減少計算量。例如下圖：

其中A代表AI方，P代表人類方。AI方搜索最大值，人類方搜索最小值。因此Layer3的A1向下搜索的最終結(jié)果為4，Layer3的A2向下搜索，先搜索Layer4的P3，獲得的分值為6，考慮到Layer2的P1向下搜索時取Layer3的A1和A2中的較小值，而Layer3的A2搜索完Layer4的P3時，其值就已經(jīng)必大于Layer3的A1了，就沒有搜索下去的必要了，因此Layer3到Layer4的路徑3就可以剪掉了。

上述搜索策略其實質(zhì)就是：

minimax算法+alpha-beta剪枝算法。

了解了上述原理之后，就可以自己寫代碼實現(xiàn)了。當(dāng)然實際實現(xiàn)過程中，我做了一些簡化，但萬變不離其宗，其核心思想都是一樣的。

具體實現(xiàn)過程詳見相關(guān)文件中的源代碼。

使用演示

在cmd窗口運行GobangAI.py文件即可。

下面的視頻是我和AI的一局對弈，我執(zhí)黑先行，所以贏的比較輕松T_T。畢竟五子棋先手者優(yōu)勢巨大，或者說在某些情況/規(guī)則下是必勝的。至于原因，在相關(guān)文件中提供了兩篇論文，感興趣的可以看看。

更多

之后有時間的話會研究一下基于深度學(xué)習(xí)的AI五子棋算法，目前這個版本還是比較low的，當(dāng)然你好好和它下的話，它還是可以走出一些精妙的步子的。

T_T沒有仔細(xì)測試，如果有什么bug可以留言反饋給我，我會進(jìn)行修復(fù)。