【全源码及文档】基于Qt实现的AI同化棋游戏

估价函数

使用 Minimax 算法，最为关键的部分是如何对一个局面进行估价，判断其到底有多大的可能性会给 AI 带来胜利。

分析同化棋的规则，容易发现其局面上的总棋子数是不减的。那么，双方获得的棋子的差是最容易想到的估价，也是此 AI 所使用的主要估价。

其次，经过尝试，当一方占据半壁江山（>24）后，非常容易走向胜利，所以我们贪心地尽量让其超过一半，即给予较高估价。

改进

此 AI 可以进一步改进的地方：

1.估价函数

由于同化棋一步可以最多同化 8 个棋子，所以可能当前你优势（棋子差额）很大，但是下一步立马被翻盘。所以我们可以考虑统计一些容易被同化的如中空的方形，菱形的个数，给予估价值。还有很多估值方法…

2.优化程序以加速

根据 Minimax 算法的特点，在时限内搜索的层数越深，结点越多，选择就越优，AI 的智商就越高。此 AI 以易读性为主，牺牲了许多性能，可以做许多改进：

（1）状态压缩

对于一个棋盘，由于其只有 49 个位置，我们可以把位置映射到 0~48 这 49 个数 （f(x,y) = x * 7 + y） ，对于某个位置，其只有存在棋子，不存在棋子，两种状态，所以对于对弈的一方，我们可以用一个 64 位整数的第 k 个 2 进制位=0/1 表示是否在 k 位置有这个数，从而把他的所有棋子的位置映射成一个 64 位整数（c++： long long int）。

这样一来，棋盘状态由一个 7*7 数组变成了两个整数，我们可以使用位运算，十分快速地进行查找位置，更新状态，统计个数等等操作。将压缩的状态 hash 判断冲突是防止进入循环局面的方法之一。

（2）剪枝及搜索顺序

如已经被已方及边界与最近对方分隔 2 层以上的己方完全占领区域的棋子，是可以稍后考虑的。 接近对方边缘部位的棋子是可以优先考虑的，这样可以容易得出接近最优值的选择，更高效地利用α-β剪枝。

（3）常数优化

根据语言及计算机的一些特性，在不改变功能的情况下对程序的语句进行修改，以期获得更好的性能。

3. 随机化

可以用随机化在一定程度上防止局面陷入循环，或者被对手用同样的走法再次打败。但要注意，不能随机进入一个劣势局面。

4.迭代加深

因为此 AI 现有估价及搜法较弱，最大搜索层数很低，所以在搜索时采用迭代加深层数限制的方法，这就产生了问题，下一个深度是沿用之前所有搜索深度得到的首层 max、min 值（通常在低深度得到最优值）， 还是初始化 max,min 值，现版本 AI 经测试，第一种占优，但是改进后，是否还进行迭代加深，或者采取哪种方法，需测试。（理论上第二种占优，本质上第一种是贪心）。

详细文档及源码：https://www.write-bug.com/article/3128.html