五子棋代码解析

 近来随着计算机的快速发展，各种棋类游戏被纷纷请进了电脑，使得那些喜爱下棋，又常常苦于没有对手的棋迷们能随时过足棋瘾。而且这类软件个个水平颇高，大有与人脑分庭抗礼之势。其中战胜过国际象棋世界冠军-卡斯帕罗夫的“深蓝”便是最具说服力的代表；其它像围棋的“手淡”、象棋的“将族”等也以其优秀的人工智能深受棋迷喜爱；而我们今天将向大家介绍的是五子棋的算法。
当我们与电脑对战时，您知道这些软件是怎样象人脑一样进行思考的吗？在这里就以此为例和大家一起探讨探讨。

为了使读者对五子棋搜索复杂度有个形象的认识，举一个中国象棋跟五子棋搜索次数的比较（如图）。可以看出同中国象棋相比，五子棋的分支系数大的多，而且胜负条件判断也复杂一些。在极大的分支系数下，搜索程序的最大搜索深度增加1层，耗费的运算时间都将大量增加。因此设计出一个有效的搜索算法是非常重要的。



中国象棋 五子棋
棋子种类 14 2
棋盘大小 9×10 15×15
分支系数 约40 约200
棋子数量 递减 递增
胜负条件 某方将帅丧失 某方五个棋子连成一线
文章的****如下：首先简单介绍用C语言作图的基本方法（Turbo C 2.0环境）以及主循环控制下棋模块，其次介绍设计这个五子棋程序的数据结构，然后介绍了评分算法以及胜负判断，最后重点讨论实现搜索算法。 1. 基本的C作图方法及主循环控制模块 Turbo C提供了非常丰富的图形函数，所有的图形函数的原型均建立在graphics.h中，在使用图形函数时要确保有显示器图形驱动程序*.BGI，同时将集成开发环境Options/Linker中的Graphics lib选为on，只有这样才能保证正确使用图形函数。 这个程序调用一个EGA、VGA显示器下能独立图形运行的函数。所谓独立图形运行程序，就是在编译和连接时将相应的驱动程序（*.BGI）直接装入到执行程序，从而能在独立的计算机上运行，避免需要重新编译连接才能运行（请查阅参考书1以及源码）。Turbo C进行画点、画线、封闭图形填充以及图形下文本输出只需要调用graphics.h中相关的函数。 主循环控制模块：控制下棋顺序，当轮到某方下子时，负责将程序转到相应的模块中去，主要担当一个调度者的角色。这个五子棋程序是用键盘控制下棋，所以要用到Turbo C中的bios.h。在一个循环块中等待键盘信息，判断键盘所输入的信息是否需要响应，调用相关的代码进行下棋（参考源码中的main函数部分）。 2. 五子棋基本数据结构 为整个棋盘建立一张表格用以记录棋子信息，使用一个15*15的二维数组 chessman[15][15] (15*15是五子棋棋盘的大小)，数组的每一个元素对应棋盘上的一个交叉点，用“0”表示空位、“1”代表己方棋子、“2”代表对方棋子。这张表也是今后分析的基础。其次要建立一个结构，主要用于搜索过程中，定义如下： typedef struct five_chess* point; struct five_chess{ int x; int y; int layer; int value; int score; int chess[LENGTH][LENGTH]; int record[LENGTH][LENGTH]; }; x,y表示在某个位置上扩展出来的新节点，layer是表示第几层扩展，用于控制扩展深度。value表示该点上极大极小值，score表示叶子节点的得分，用于推算父辈节点的value，chess这个二维数组表示扩展出来的棋盘信息，record记录在x、y点上扩展过的节点，如果没有扩展record中对应某个值为0。如果record中没有可以扩展的节点，那么该层扩展结束，返回一个特定值。 数组和一个结构构成了程序的基本数据骨架，今后只要再加入一些辅助变量便可以应付自如了。 3. 评分规则以及胜负判断 评估一个棋盘的分数，主要通过扫描整个棋盘，对每个点评分。对某个点上评分从四个方向(角度分别为0、45、90、135的四个方向)分别统计，进而累积该点总分，最后得到整个棋盘的分数。实际上对当前的局面按照下面的规则的顺序进行比较，如果满足某一条规则的话，就给该局面打分并保存，然后退出规则的匹配。注意这里的规则是根据一般的下棋规律的一个总结，在实际运行的时候，用户可以添加规则和对评分机制加以修正（源码中选用了其中部分规则）。评分规则如下： l 判断是否能成5, 如果是机器方的话给予30000分，如果是人方的话给予－30000 分； l 判断是否能成活4或者是双死4或者是死4活3，如果是机器方的话给予10000分，如果是人方的话给予－10000分 l 判断是否已成双活3，如果是机器方的话给予5000分，如果是人方的话给予－5000 分 l 判断是否成死3活3，如果是机器方的话给予1000分，如果是人方的话给予－1000 分 l 判断是否能成死4，如果是机器方的话给予500分，如果是人方的话给予－500分 l 判断是否能成单活3，如果是机器方的话给予200分，如果是人方的话给予－200分 l 判断是否已成双活2，如果是机器方的话给予100分，如果是人方的话给予－100分 l 判断是否能成死3，如果是机器方的话给予50分，如果是人方的话给予－50分 l 判断是否能成双活2，如果是机器方的话给予10分，如果是人方的话给予－10分 l 判断是否能成活2，如果是机器方的话给予5分，如果是人方的话给予－5分 l 判断是否能成死2，如果是机器方的话给予3分，如果是人方的话给予－3分 胜负判断实际上是据当前最后一个落子的情况来判断胜负的。实际上需要从四个位置判断，以该子为出发点的水平，竖直和两条分别为 45度角和135度角的线，目的是看在这四个方向是否最后落子的一方构成连续五个的棋子，如果是的话，就表示该盘棋局已经分出胜负。 4. 搜索算法的实现 α-β剪枝是在极大极小搜索算法基础上发展起来的，因此先来分析下经典的极大极小搜索过程，如下：
①T:＝（s，MAX），OPEN:＝（s），CLOSED:＝（ ）；开始时树由初始节点构成，OPEN表只含有s。
②LOOP1:IF OPEN＝（ ）THEN GO LOOP2；
③n:＝FIRST（OPEN），REMOVE（n，OPEN），ADD（n，CLOSED）；
④IF n可直接判定为赢、输或平局
THEN f（n）:＝∞∨－∞∨0，GO LOOP1
ELSE EXPAND（n）→{ni}，ADD（{ }，T）
IF d（ni）＜k THEN ADD（{ }，OPEN），GO LOOP1
ELSE计算f（ ），GO LOOP1；nI达到深度k，计算各端节点f值。
⑤LOOP2：IF CLOSED＝NIL THEN GO LOOP3
ELSE :＝FIRST（CLOSED）；
⑥IF（ ∈MAX）∧（f（ ∈MIN）有值）
THEN f（ ）:＝max{f（ ）}，REMOVE（ ，CLOSED）；若MAX所有子节点均有值，则该MAX取其极大值。
IF （ ∈MIN）∧（f（ ∈MAX）有值）
THEN f（ ）:＝min{f（ ）}，REMOVE（ ，CLOSED）；若MIN所有子节点均有值，则该MIN取其极小值。
⑦GO LOOP2；
⑧LOOP3：IF f（s）≠NIL THEN EXIT（END∨M（Move，T））；s有值，则结束或标记走步。 MINIMAX过程是把搜索树的生成和格局估值这两个过程分开来进行，即先生成全部搜索树，然后再进行端节点静态估值和倒推值计算，这显然会导致低效率。为了使生成和估值过程紧密结合，采用有界深度优先策略进行搜索，这样当生成达到规定深度的节点时，就立即计算其静态估值函数，而一旦某个非端节点有条件确定其倒推值时就立即计算赋值。这就是所谓的α-β过程。α-β算法归纳如下： α剪枝：若任一极小值层节点的β值小于或等于它任一先辈极大值居节点的α值，即α（先辈层）≥β（后继层），则可中止该极小值层中这个MIN节点以下的搜索过程。这个MIN节点最终的倒推值就确定为这个β值 β剪枝：若任一极大值层节点的α值大于或等于它任一先辈极小值层节点的β值，即α（后继层）≥β（先辈层），则可以中止该极大值层中这个MAX节点以下的搜索过程。这个MAX节点的最终倒推值就确定为这个α值。 5. 算法的改进 这里的算法改进主要是集中于五子棋程序运用上的极大极小、α-β剪枝的改进。这个五子棋的算法流程图如下（以扩展两层为例）：
根据棋盘信息chessman[15][15]建立根结点s0（数据结构：five_chesman）,并把s0压入栈中
扩展s1=top()；判断s1->layer是否等于－1
s1->layer不等于－1，push(s1),扩展s2=top(),查看s2->layer是否－1
s2->layer!=-1，计算此时棋盘得分score，并判断是否要更改上一层的极小值
s2->layer==-1,pop()：判断是否更改极大值，max_chess指向得分最高的棋盘
如果s1->layer=-1,表示搜索结束，返回最大棋盘信息max_chess


采用C语言写的代码段如下： s0=malloc(sizeof(struct five_chess)); for(i=0;i<3000;i++) close=NULL; for(i=0;i<LENGTH;i++) for(j=0;j<LENGTH;j++){ s0->chess[j]=chessman[j]; s0->record[j]=chessman[j]; } s0->layer=0; s0->value=-30000; s0->score=-30000; push(s0); while(is_empty()!=0){ s0=top(); s1=expand(s0); if(s1->layer==-1){ pop(); continue; } close[num++]=s1; s1->value=30000; push(s1); while(1){ s2=expand(s1); if(s2->layer==-1){ s1=top(); pop(); if(s1->value>top()->value){ top()->value=s1->value; max_chess=s1; } break; } s2->score=score(s2->chess); temps=top(); if(s2->score<temps->value) temps->value=s2->score; 这个程序主要特点有： l 没有使用closed表，而改用一个指针指向得分最大的棋盘信息，并且使用一个记录表登记已经扩展过的结点。这样就不需要对closed表进行大量的访问，很大程度上提高了搜索性能。 l 在扩展结点的时候，把棋盘分成三个部分：中间层（坐标5<=x<10,5<=y<10）、第二层（2<=x<12,2<=y<12并且除去中间层的那些点），第三层（0<=x<14,0<=y<14除去中间层和第二层的结点）。把棋盘分成这样三个部分扩展的依据是：越靠近中间位置的结点得分越高，这样先从得分高的结点开始计算，那么剪枝的次数就更多，从而很大程度上提高运算效率。实际上，扩展的最佳算法是以中间结点为中心，采用螺旋式搜索，这样最大程度上提高效率。 l 使用一个记录得分最高的棋盘信息的指针typedef struct five_chess *point，这点改进能节省大量空间。因为扩展过程的结点非常多，如果采用这个改进，那么就可以扩展后删除那些占用空间。此外在返回棋盘信息时，查找某个位置下棋也非常方便