Python3实现AI五子棋【初版】

本文转载至知乎ID：Charles（白露未晞）知乎个人专栏

下载W3Cschool手机App，0基础随时随地学编程>>戳此了解

导语

闲来无事写了个比较愚蠢的AI五子棋。

T_T当然你好好和它下，它还是比较机智的。

让我们愉快地开始吧~~~

相关文件

网盘下载链接: https://pan.baidu.com/s/1DV09ZdyNMoZF2KoKQ4GH_A 

密码: ujrh

开发工具

Python版本：3.6.4

相关模块：

graphics模块。

环境搭建

安装Python并添加到环境变量即可。

注：

graphics模块在相关文件中已经提供，就是一个py文件，直接放在当前路径或者放到python安装文件夹下的site-packages文件夹内均可。

原理简介

对于五子棋这样的博弈类AI，很自然的想法就是让计算机把当前所有可能的情况都尝试一遍，找到最优的落子点。这里有两个问题：

（1）如何把所有可能的情况都尝试一遍；

（2）如何定量判断某落子点的优劣。

对于第一个问题，其实就是所谓的博弈树搜索，对于第二个问题，其实就是所谓的选择评估函数。评估函数的选取直接决定了AI算法的优劣，其形式也千变万化。可以说，每个评估函数就是一个选手，对不同的棋型每个选手自然有不同的看法和应对措施，当然他们的棋力也就因此各不相同了。

但博弈树搜索就比较固定了，其核心思想无非是让计算机考虑当前局势下之后N步所有可能的情况，其中奇数步（因为现在轮到AI下）要让AI方的得分最大，偶数步要让AI方的得分最小（因为对手也就是人类，也可以选择最优策略）。

当然这样的搜索其计算量是极大的，这时候就需要剪枝来减少计算量。例如下图：

其中A代表AI方，P代表人类方。AI方搜索最大值，人类方搜索最小值。因此Layer3的A1向下搜索的最终结果为4，Layer3的A2向下搜索，先搜索Layer4的P3，获得的分值为6，考虑到Layer2的P1向下搜索时取Layer3的A1和A2中的较小值，而Layer3的A2搜索完Layer4的P3时，其值就已经必大于Layer3的A1了，就没有搜索下去的必要了，因此Layer3到Layer4的路径3就可以剪掉了。

上述搜索策略其实质就是：

minimax算法+alpha-beta剪枝算法。

了解了上述原理之后，就可以自己写代码实现了。当然实际实现过程中，我做了一些简化，但万变不离其宗，其核心思想都是一样的。

具体实现过程详见相关文件中的源代码。

使用演示

在cmd窗口运行GobangAI.py文件即可。

下面的视频是我和AI的一局对弈，我执黑先行，所以赢的比较轻松T_T。毕竟五子棋先手者优势巨大，或者说在某些情况/规则下是必胜的。至于原因，在相关文件中提供了两篇论文，感兴趣的可以看看。

点击查看视频

更多

之后有时间的话会研究一下基于深度学习的AI五子棋算法，目前这个版本还是比较low的，当然你好好和它下的话，它还是可以走出一些精妙的步子的。

T_T没有仔细测试，如果有什么bug可以留言反馈给我，我会进行修复。