Java咖啡馆(12): 终结者

文章来源：电脑爱好者 作者：Gary Chan

　　通过各种试验，科学家发现自然界中许多被认为聪明的动物的智慧仍然无法与人类幼儿时期的相比拟。而每天面对的计算机，虽然使得人类的生产力发生翻天覆地变化，但冰冷的它，是否有一天能够模仿甚至达到人类的智慧呢？

计算机的智慧

　　如何定义人类的智慧，即使最睿智的哲学家也只能望洋兴叹。不过，我们不妨由浅入深。如果一向自信十足的你在网上与网友对弈楚汉时，遇到一个与你杀得难解难分甚至略胜一筹的高手，当你英雄惜英雄，邀请那高人红茶馆小聚一番，却被告知那是某公司象棋程序2.0而不是一个真人在下棋时，你一定会由衷发出赞叹——计算机真是聪明啊！

　　所以，从休闲的棋牌游戏入手，是探究计算机智慧有益的第一步。实际上，早在1950年，Claude Shannon和Alan Turing已编写过下棋的程序，前者是信息论的创始人，而以后者名字命名的图灵奖更是计算机科学中的最高奖项。

　　当时的工作是基于两个玩家互相博弈的基础上的。计算机科学家们把棋局的状态看作结点，把从当前棋局走一步而变化出来的新的棋局当做结点的子结点，如果把原始棋局看作树根，就可以把棋局的所有变化演化成一棵倒置的树来，我们称之为游戏树。这样，便可以从最底部的结果来倒推，从而决定走对自己最有利的一步棋。

　　游戏树的想法很直观，但这棵树实在太庞大了。比如西洋跳棋，完整的游戏树将达到10的40次方个结点的量级，假设一台计算机每秒能处理300个结点，将会花费10的21次方个世纪来构建这棵游戏树！而国际象棋更加复杂，按照每步平均35个可供选择的下法，平均每个玩家下50步棋，国际象棋的游戏树将会达到35的100次方的量级。盛行于中日韩三国的围棋更是比国际象棋复杂得多。

　　由于时间限制而游戏树几近无限，我们的可行方法不外乎两个字——砍树，也就是在游戏树的构建过程中只计算那些感兴趣的结点，而不管那些不怎么有意思的结点，结果相当于只生成了部分的游戏树，这样便可以把计算时间控制住。仔细想想，下棋也是这样的，当别人将军的时，你自然只考虑如何解围，而不是如何去吃对方的子。当然，如何砍树并且砍得好，那是一门大学问。

教计算机玩Tic-Tac-Toe

　　相对于西洋跳棋、国际象棋和围棋，我们的Tic-Tac-Toe游戏可要简单得多，虽然手动构造游戏树也不是不可行，但那样的做法实在太逊了啦！我们要砍树！

　　这里给大家介绍的方法是MiniMax算法。所谓MiniMax算法，就是从当前棋局出发生成一颗n层深的游戏树，从树根开始轮流给每层结点赋予Max和Min的称号，并且按照一定的估计函数给最底层的结点赋值。然后，从下向上依次给每个结点赋值，若一个结点是Max结点，则把它子结点中的最大值赋给它，若是Min结点，则把它子结点中的最小值赋给它。如此这般，便可以得知树根选择哪个子结点才能得到最大效益。

　　实际，估计函数是用来限制游戏树深度的。这里介绍的估计函数是自己可能赢棋的通道数减去对手可能赢棋的通道数。以图1举例，假设计算机执圆圈，则圆圈可能赢的通道数是4个，而大叉可能赢的通道数只有2个，所以棋局对应的估计值＝4-2＝2(见图1)。

　　下面我们手动模仿计算机执大叉在开局时进行MiniMax算法的演算过程，让大家有个直观的理解。其中，MiniMax算法的估计函数就是上文介绍的，游戏树的深度为三层(见图2)。

　　最底层的结点的赋值都是根据估计函数得到的。在Min层，每个值都是底层结点中值的最小值，这表示充满智慧的对手可能使自己落到的最窘迫的下场。当Min层生成以后，计算机自然知道Min最右边的哪个结点是最划算的，无论对手如何走，自己走正中的那一格总会占有相当的优势。

Tic-Tac-Toe加强版

　　上一版的Tic-Tac-Toe智商肯定无法令人满意，既然有了MiniMax算法，为什么不动手实现一下呢？

　　在Eclipse中打开上回建立的项目。首先在TicTacToe类中加入估计函数evalauate()。这个估计函数与上文介绍的估计函数略有不同，这里通过线性函数考虑了更多的因素，强调了三连通棋局的重要性，以及提高了两连通棋局的地位。通过这个估计函数，读者朋友应该能够体会到砍树也是很有艺术性的，对于复杂的棋类，估计函数几乎决定了程序棋力的高下。源代码如下:

/**
* 估计函数。
* @param board 要被估计的棋盘
* @return 估计值
*/
private int evalauate(int[] board) {
int x2 = 0， o2 = 0， x1 = 0， o1 = 0;

for (int i = 0; i < lines.length; i++) {
int[] line = lines[i];
int sum = 0;
for (int j = 0; j < line.length; j++) {
sum += board[line[j]];
}
switch (sum) {
case 3:
// 圆圈联通
return -100;
case 12:
// 大叉联通
return 100;
case 8:
x2++;
break;
case 4:
x1++;
break;
case 2:
o2++;
break;
case 1:
o1++;
break;
}
}
return 3 * (x2 - o2) + x1 - o1;
}

　　下面列出了应用MiniMax算法的模仿专业棋力的professional()函数，请各位朋友参考注释阅读:

/**
* 拥有职业选手棋力的机器人下一步棋。
*/
public void professional() {
ArrayList blanks = new ArrayList();
// 获取当前棋局所有可以下的位置
for (int i = 0; i < 9; i++) {
if (board[i] == 0) {
blanks.add(new Integer(i));
}
}
// 若已经没有空格可以下了便和局
if (blanks.size() == 0) {
message = "平局";
gameover = true;
return;
}
// 利用MiniMax算法找出计算机最可能赢的一步棋
// 枚举Min的每一种可能下法
int minBoards[][] = new int[blanks.size()][9];
int max = -100， best = 0;
for (int i = 0; i < minBoards.length; i++) {
// 复制当前棋局
int[] minBoard = (int[]) board.clone();
// 测试下第一步棋
minBoard[((Integer) (blanks.get(i))).intValue()] = CROSS;
minBoards[i] = minBoard;
// 剩下的空格就是Max的落子范围
ArrayList maxBlanks = (ArrayList) blanks.clone();
maxBlanks.remove(i);
// 根据当前的测试棋局枚举Max的每一种可能下法
int min = 100;
for (int j = 0; j < maxBlanks.size(); j++) {
// 复制当前棋局
int[] maxBoard = (int[]) minBoard.clone();
// 测试下第一步棋
maxBoard[((Integer) (maxBlanks.get(j))).intValue()] = NOUGHT;
// Min将取这些Max的取值中最小者
int value = evalauate(maxBoard);
if (value < min) {
min = value;
}
}
if (min > max) {
max = min;
best = i;
}
}
board = minBoards[best];
}

　　最后记得把mouseReleased()中的amateur();代码改成professional()，这样加强版的游戏就算完成了。运行一下，计算机是不是已经威风八面了？

Tic-Tac-Toe终结版

　　由于篇幅所限，以上代码还有很多可以改进之处。

　　首先，Tic-Tac-Toe游戏棋盘非常有特色，用中学数学的术语来讲是中央对称的，所以在预测下一步可行的位置时，可以利用这个特性，只考虑其中几种情况即可。

　　其次，估计函数还可以进一步优化，有兴趣的朋友可以在网上搜索一下，这方面的论文也不在少数。

　　最后，MiniMax是一个经典的限制深度的算法，实际上，还可以在MiniMax的基础上限制树的广度，那就是Alpha-Beta算法。比如，我们以如图3所示为例。

　　我们将分别计算K、L和M的值。很显然，K的值是1。但是计算L的时候，当我们发现D的值是-1的时候，我们可以马上砍掉L这个结点了，因为对于根节点，K的值肯定比L要大。这样便进一步节省了搜索空间。

Just Do It

　　请尝试根据以上提示改进程序，完成一个更优秀的游戏。

结束语

　　小店到今天终于又告一段落。我们在这四回的文章中介绍了Java中的Applet技术，可以做出许多匪夷所思的效果。此外，我们在最后还为大家讲解了一些人工智能的技术，可以发现，当Java与AI结合后，可以迸发出很强大的能量，若再加上一些美工和音效，制作出商业软件也不是什么难事。

　　多谢大家的关照与捧场，希望大家能够继续支持我们大家的Java咖啡馆！