好久没有写过博客了,多久,大概8年???最近重新把写作这事儿捡起来……最近在折腾AI,写个AI相关的给团队的小伙伴们看吧。
搞了这么多年的机器学习,从分类到聚类,从朴素贝叶斯到SVM,从神经网络到深度学习,各种神秘的项目里用了无数次,但是感觉干的各种事情离我们生活还是太远了。最近AlphaGo Zero的发布,深度学习又火了一把,小伙伴们按捺不住内心的躁动,要搞一个游戏AI,好吧,那就从规则简单、老少皆宜的五子棋开始讲起。
好了,废话就说这么多,下面进入第一讲,实现一个五子棋。
小伙伴:此处省去吐槽一万字,说好的讲深度学习,怎么开始扯实现一个五子棋程序了,大哥你不按套路出牌啊……
我:工欲善其事必先利其器,要实现五子棋的AI,连棋都没有,AI个锤子!
老罗:什么事?
……
五子棋分为有禁手和无禁手,我们先实现一个普通版本的无禁手版本作为例子,因为这个不影响我们实现一个AI。补充说明一下,无禁手黑棋必胜,经过比赛和各种研究,人们逐渐知道了这个事实就开始想办法来限制黑棋先手优势。于是出现了有禁手规则,规定黑棋不能下三三,四四和长连。但随着比赛的结果的研究的继续进行,发现其实即使是对黑棋有禁手限制,还是不能阻止黑棋开局必胜的事实,像直指开局中花月,山月,云月,溪月,寒星等,斜指开局中的名月,浦月,恒星,峡月,岚月都是黑棋必胜。于是日本人继续提出了交换和换打的思想,到了后来发展成了国际比赛中三手交换和五手二打规则,防止执黑者下出必胜开局或者在第五手下出必胜打。所以结论是,在不正规的比赛规则或者无禁手情况下,黑棋必胜是存在的。
(1)五子棋下棋逻辑实现
这里用Python来实现,因为之后的机器学习库也是Python的,方便一点。
界面和逻辑要分开,解耦合,这个是毋庸置疑的,并且之后还要训练AI,分离这是必须的。所以我们先来实现一个五子棋的逻辑。
我们先来考虑五子棋是一个15*15的棋盘,棋盘上的每一个交叉点(或格子)上一共会有3种状态:空白、黑棋、白棋,所以先建个文件 consts.py
做如下定义:
from enum importEnum
N= 15
classChessboardState(Enum):
EMPTY=0
BLACK= 1WHITE= 2
棋盘的状态,我们先用一个15*15的二维数组chessMap来表示,建一个类 gobang.py
currentI、currentJ、currentState 分别表示当前这步着棋的坐标和颜色,再定义一个get和set函数,最基本的框架就出来了,代码如下:
from enum importEnumfrom consts import *
classGoBang(object):def __init__(self):
self.__chessMap = [[ChessboardState.EMPTY for j in range(N)] for i inrange(N)]
self.__currentI = -1self.__currentJ = -1self.__currentState =ChessboardState.EMPTYdefget_chessMap(self):return self.__chessMap
defget_chessboard_state(self, i, j):return self.__chessMap[i][j]defset_chessboard_state(self, i, j, state):
self.__c