clhmw的专栏

这学期选了人工智能原理，上课的时候完全没搞懂老师要讲什么，所以听课听得云里雾里的，幸好有几个小实验，可以帮助理解人工智能的精髓。第一个实验就是基于带alpha-beta剪枝的MinMax搜索的五子棋AI设计。好久没有写过MFC界面了，所以在pudn上down了几个例程，测试了一下，选了两个比较规范的工程作为开发的基础。第一天：Naive AI——一个称不上AI的AI比对着选好的工程进行

第二天：防守，堵堵堵为了提高对五子棋游戏的感性认识，我又在网上找了几个写的很好的五子棋游戏，与电脑进行了若干次对弈。作为一个门外汉，防守总是最好的选择。那么在什么条件下防守，在什么位置防守，这些位置如何确定……在这一系列的问题的驱动下，我开始学习模拟对象的AI部分。首先我选择了总是防守，所以在这一天，我的第一个问题解决了。那么在什么位置放手呢？之前定义了棋盘用points[i][j]表

第三天——进攻防守，视情况而定在第二天，AI可以防守了，但是我们设计AI绝对不是为了让AI被动挨打，而是适时地主动出击。那么，是时候回答第二天的遗留问题——什么条件下进攻，什么条件下防守？第二天，我们提出了阴线评估函数的概念，并且成功的利用阴线评估函数指导AI进行防守。那么是不是需要一个新的什么函数来指导进行呢？好吧，在试图构思这个新函数之前，让我们再看看阴线评估函数。在阴线评估函数中

第四天——看得远胜算更大经过三天的不断改进，我们的AI算是入门了，如何提高呢——高人指点说，“看得远，胜算才能更大。”道理确实如此，高人所说的“看得远”就是前瞻了，如何前瞻呢？前瞻之后如何决策？先说说什么是前瞻吧。前瞻就是把所有可能的局面都推算出来，然后给每个局面打个分，从中选出一个最有利于自己的走法来作为当前的走法。但是如何选择呢？为了方便说明问题，我们先以3x3的棋盘为例。以图1来说说

第6天——评价的准才能胜券在握在博弈类游戏中，都可以使用博弈搜索求解最优解，但是最优解的质量如何取决于评估器的质量，也就是说AI对棋局态势的感知能力。在不考虑时间时，我们可以让AI前瞻若干步直到终局，终局评估器设计起来就很简单，AI胜利给个正1，AI败北给个负1，平局给个0。完全博弈树的叶节点的数量很大，因此产生终局的时间代价是不能容忍的，我们只能让AI前瞻有限步。如何对中间局进行评价，可

第五天——可以看得更远，可以思考的更快看得远，胜算更大；看得远，产生的棋局越多，需要判断的状态就越多，AI的思考时间就越长。从游戏性角度出发，我们不仅希望AI能够胜利，更希望它的思考时间在可以容忍的范围内。图1 前瞻1步的博弈树现在的问题是——如何在数量无比庞大的状态中快速的找到最优的走子策略。在博弈搜索中，博弈树叶节点的值为当前状态的得分。如图1所示博弈树中，B节点的值为12

第7天——结7作为一个神奇的数字，许许多多具有特殊意义的事情往往会发生在第7日。作为一个小连载，课程内的五子棋系列就在这里作结吧。从门外到门里，虽然只有一步之遥，但是我们还是走了好几天。简单回顾一下我们的历程：第一天：Naive AI——一个称不上AI的AI第二天：防守，堵堵堵（阴线评估器）第三天：进攻防守，视情况而定（利用阴线评估器的信息来决策）第四天：看