最终目标
使用nodejs实现控制台人机对战五子棋，人先着，一方赢后停止交互。（如下图gif）
文章图片
程序主要构成部分
本篇按由易到难的顺序分别讲述以下主要部分的实现
- drawBoard 棋盘局面绘制
- isEnd 判断该局结束
- getMark 当前局面评分
- abnegamax 一个minimax算法，用于双方对弈的决策树搜索
1: '●', '-1': '○', 0: '＋'局面绘制输出到控制台function drawBoard(board, cursor) {
if (typeof board === 'string')
board = board.replace(/(\d{16})/g, "$1,").slice(0, -1).split(',').map(v => v.split('').map(v => v == 2 ? '-1' : v))
console.log((cursor ? "人" : "机") + "0 1 2 3 4 5 6 7 8 9 A B C D E F")
for (let i = 0;
i < board.length;
i++)
console.log((i > 9 ? i : ' ' + i) + ' ' + board[i].map((v, j) => {
if (cursor && cursor.x === j && cursor.y === i)
return '◎'
return ({ 1: '●', '-1': '○', 0: '＋' })[v]
}).join(''))
}人着子时，通过方向键控制
'◎'代表将落子的位置,当按回车时确定落子process.stdin.on('keypress', (str, key) => {
if (key.name === 'return') {} else {
switch (key.name) {
case 'up': cursor.y = cursor.y - 1;
break;
case 'down': cursor.y = cursor.y + 1;
break;
case 'left': cursor.x = cursor.x - 1;
break;
case 'right': cursor.x = cursor.x + 1;
break;
}
cursor.x = Math.min(15, Math.max(0, cursor.x))
cursor.y = Math.min(15, Math.max(0, cursor.y))
drawBoard(chessBoard.join(''), cursor)
}isEnd 判断该局结束 【FE.GAME-五子棋AI博弈算法实践】每当落子后，通过统计当前落子位置为起点的4条线（横竖撇捺）是否有五子连珠
function isEnd(x, y, chessBoard) {
let vect = [[-1, 0], [-1, 1], [0, 1], [1, 1]]
let qi = chessBoard[y][x]
for (let i = 0;
i < 4;
i++) {
let a = 1;
let b = 1;
while (chessBoard[y + vect[i][0] * a] && chessBoard[y + vect[i][0] * a][x + vect[i][1] * a] === qi)
a++
while (chessBoard[y - vect[i][0] * b] && chessBoard[y - vect[i][0] * b][x - vect[i][1] * b] === qi)
b++
if (a + b > 5) return true
}
return false;
}getMark 当前局面评分 遍历每个格子的4条线（横竖撇捺）的连子数评分求和作为局面分
打分参考：
| 连子 | 得分 | 连子 | 得分 |
|---|---|---|---|
| 活5 | 1<<16 | 眠5 | 1<<15 |
| 活4 | 1<<12 | 眠4 | 1<<11 |
| 活3 | 1<<8 | 眠3 | 1<<7 |
| 活2 | 1<<6 | 眠2 | 1<<5 |
| 其他 | 1 |
function getScore(cnt, flag) {
flag = flag ? 0 : 1;
switch (cnt) {
case 5: return 1 << (15 + flag)
case 4: return 1 << (11 + flag)
case 3: return 1 << (7 + flag)
case 2: return 1 << (5 + flag)
default: return 1
}
}minimax 决策算法相关 可以直接看视频 https://www.bilibili.com/vide... 学习
以下为nodejs实现描述
关于节点的数据结构
| Nod类的属性 | 属性对应的描述 |
|---|---|
| board | 局面信息 |
| cur | 刚才最后落子的一方 |
| nxt | 接下来要着子的一方 |
| deep | 当前节点深度 |
| pos | 记录落子位置 |
| mark | 当前局面评分 |
| children() | 子节点 |
class Nod {
constructor({ board, cur, nxt, deep, pos }) {
this.board = board;
this.cur = cur;
this.nxt = nxt;
this.deep = deep;
this.pos = pos;
this.mark = getMark(this.board);
}
children() {
const arr = [];
const reg = /0/g;
while (reg.exec(this.board) != null) {
arr.push(new Nod({
board: this.board.slice(0, reg.lastIndex - 1) + this.nxt + this.board.slice(reg.lastIndex),
cur: this.nxt,
nxt: this.cur,
deep: this.deep + 1,
pos: [...this.pos, reg.lastIndex - 1]
}));
}
return arr;
}
}minimax
又名极小化极大算法，是一种找出失败的最大可能性中的最小值的算法。
这个算法就是一个树形结构的递归算法，每个节点的孩子和父节点都是对方玩家，所有的节点被分为极大值（我方）节点和极小值（对方）节点。
也就是每次对方玩家都做最佳决策的情况下的决策路径下，我方依旧是优势最大的那个
function minimax(node, MAXDEEP) {
if (node.deep >= MAXDEEP) return node;
let arr = node.children().map(v => minimax(v, MAXDEEP));
if (node.deep % 2)//min
return arr.sort((a, b) => a.mark - b.mark)[0]
else
return arr.sort((a, b) => b.mark - a.mark)[0]
}negamax
"负极值(Negamax)算法"是在"极大极小值(MiniMax)算法"提出近20年后才做一个小改进,在程序功能和效率上是没有区别的... 唯一不同之处是前者更看起来简洁(后者一会儿取极大,一会儿取极小).你可以发现NegaMax在传递参数时用-alpha,来起到反向取极大(也就是负极大值)的作用,因此不需要一次判断取极大,一次判断取最极小,实际上它也是在"正极大"和"负极大"间相互交替进行,原理是一样而实现手法不同。
function negamax(node, MAXDEEP) {
if (node.deep >= MAXDEEP) return node;
let arr = node.children();
let bestV = arr.map(v => {
const n = negamax(v, MAXDEEP);
n.mark = -n.mark
return n;
}).sort((a, b) => b.mark - a.mark)[0];
return bestV;
}minimax做alpha-beta剪枝
在上述的极大极小算法中，MIN和MAX过程将所有的可能性省搜索树，然后再从端点的估计值倒推计算，这样的效率非常低下。而α-β算法的引入可以提高运算效率，对一些非必要的估计值进行舍弃。
其策略是进行深度优先搜索，当生成结点到达规定深度时，立即进行静态估计，一旦某一个非端点的节点可以确定倒推值的时候立即赋值，节省下其他分支拓展到节点的开销。
const MAXN = 1 << 28;
const MINN = -MAXN;
function abminimax(node, MAXDEEP, a, b) {
if (node.deep >= MAXDEEP) return node
let arr = node.childrenit();
let bestV;
if (node.deep % 2) {//min
bestV = { mark: MAXN };
for (let child of arr) {
const val = abminimax(child, MAXDEEP, a, b)
if (val.mark < bestV.mark) {
bestV = val;
b = bestV.mark
if (a >= b) break;
}
}
} else {
bestV = { mark: MINN };
for (let child of arr) {
const val = abminimax(child, MAXDEEP, a, b)
if (val.mark > bestV.mark) {
bestV = val;
b = bestV.mark
if (a >= b) break;
}
}
}
return bestV;
}negamax做alpha-beta剪枝
结合两者优势，代码精简且剪枝优化
const MINN = -(1 << 28);
const MAXDEEP = 2;
function abnegamax(node, a, b) {
if (node.deep >= MAXDEEP) return node
let arr = node.childrenit();
let bestV = { mark: MINN };
for (let child of arr) {
const val = abnegamax(child, -b, -Math.max(a, bestV.mark));
val.mark = -val.mark
if (val.mark > bestV.mark) {
bestV = val;
if (bestV.mark >= b) break;
}
}return bestV;
}源码 https://github.com/Seasonley/...
