中国象棋AI实现——alpha-beta剪枝

一、简介

这是基于alpha-bata剪枝算法实现的一个中国象棋博弈程序，可以实现人机交互，AI具有初级的智能，可以应对一般的象棋新手。
界面用最基本的html+css+js实现，参考自中国象棋界面素材

AI逻辑同样用js实现，项目地址。

二、算法实现

在让AI自动做出落子决定前，必须提供一个方法让其判断哪种走法较优，也即需要一个局面评估函数，能够返回一个表示局面好坏的分数，对于AI方，这个分数越大越好。

//有一点需要强调：alpha-beta剪枝过程中走棋的双方可能会变化，但估分的标准一直是以黑方即AI方为准，黑方希望估值最大，红方希望估值最小。
function evaluate() {var score = 0;score += SingleChessScore();score += ChouJu();score += ShuangPao();return score;
}

目前的局面评估只包括一个主要部分和两个分支部分，分别为单棋子棋力判断、抽车将军判断和双炮将军判断，后续可能会在github仓库上更新更多的局面评估方法。
主要部分SingleChessScore依次考虑棋面上每个单独的子，由它们本身的属性和所在位置决定它们的分数，黑方取正值，红方取负值，并累加起来。

棋力表部分参考自eleeye。
以马的分数表为例，马的分数表如下：

var Ma = [[90, 90, 90, 96, 90, 96, 90, 90, 90],[90, 96,103, 97, 94, 97,103, 96, 90],[92, 98, 99,103, 99,103, 99, 98, 92],[93,108,100,107,100,107,100,108, 93],[90,100, 99,103,104,103, 99,100, 90],[90, 98,101,102,103,102,101, 98, 90],[92, 94, 98, 95, 98, 95, 98, 94, 92],[93, 92, 94, 95, 92, 95, 94, 92, 93],[85, 90, 92, 93, 78, 93, 92, 90, 85],[88, 50, 90, 88, 90, 88, 90, 50, 88]//马的两个初始位置权值设小一点，防止AI的炮“盲目攻击马”
];

有了棋面评估函数，AI现在可以遍历每一个己方棋子的每一种走法，并判断该走法的分数，基于这个，已经可以实现一个贪心算法，该算法只考虑当前的一步，并选择对自己最有利的走法。

V1.0 贪心算法，AI是黑方
function AImove() {var max_score = -100000000;var from = [];var to = [];var can_eat = false;for (var j = 0; j < 10; ++j) {for (var i = 0; i < 9; ++i) {if (map[j][i] < 0) {var t = WhatSpace(j, i);//返回棋子的属性var tmap = WhereCan(j,i,t);//返回能走的位置，分为能吃和不能吃（即目的棋子或空）if(tmap!=null && tmap.length>0) {for(var q=0;q<tmap.length;q++){var dest = tmap[q];var tmp = map[dest[0]][dest[1]];map[dest[0]][dest[1]] = map[j][i];map[j][i] = 0;var score = evaluate(map);if (score > max_score) {from[0] = j;from[1] = i;to[0] = dest[0];to[1] = dest[1];max_score = score;can_eat = tmp == 0 ? false : true;}map[j][i] = map[dest[0]][dest[1]];map[dest[0]][dest[1]] = tmp;}}}}}console.log("now best: " + max_score);if (can_eat) {eat(from[0], from[1], to[0], to[1]);}else {move(from[0], from[1], to[0], to[1]);}}

显然，这样的AI智能还不够，所以下一步我们用alpha-beta对其进行优化，使其能考虑接下来几步内的较优走法。

算法框架如下：

function alpha-beta(depth, alpha, beta) {对于每一个棋子的每一种走法修改局面为该走法落子后的局面ret = alpha-beta(depth + 1, alpha, beta)修改局面回落子前的局面if 在MAX层, alpha = max(alpha, ret)else if 在MIN层, beta = min(beta, ret)if beta <= alpha return (在MAX层 ? alpha : beta)return (在MAX层 ? alpha : beta)
}

具体代码如下：

//V2.0 alpha-beta算法，仍然假设AI是黑方
function AImove() {console.log("best: " + alpha_beta(1, -1e9, 1e9));if (AIcan_eat) {eat(AIfrom[0], AIfrom[1], AIto[0], AIto[1]);}else {move(AIfrom[0], AIfrom[1], AIto[0], AIto[1]);}}
var AIfrom = [];
var AIto = [];
var AIcan_eat = false;
function alpha_beta(depth, alpha, beta) {if (depth >= 5) return evaluate(map);for (var j = 0; j < 10; ++j) {for (var i = 0; i < 9; ++i) {if ((depth & 1) == 1 && map[j][i] < 0 || (depth & 1) == 0 && map[j][i] > 0) {//哪些棋子能走var t = WhatSpace(j, i);//返回棋子的属性var tmap = WhereCan(j,i,t);//返回能走的位置，分为能吃和不能吃（即目的棋子或空）if(tmap!=null && tmap.length>0) {for(var q=0;q<tmap.length;q++){var dest = tmap[q];var tmp = map[dest[0]][dest[1]];map[dest[0]][dest[1]] = map[j][i];map[j][i] = 0;ret = alpha_beta(depth + 1, alpha, beta);if (depth & 1 == 1) {if (ret > alpha) {alpha = ret;if (depth == 1) {AIfrom[0] = j;AIfrom[1] = i;AIto[0] = dest[0];AIto[1] = dest[1];AIcan_eat = !(tmp == 0);}}}else {beta = Math.min(beta, ret);}map[j][i] = map[dest[0]][dest[1]];map[dest[0]][dest[1]] = tmp;if (beta <= alpha) return (depth & 1 == 1 ? alpha : beta);     }}}}}return (depth & 1 == 1 ? alpha : beta);}

可能每次都走同一种走法会使AI显得过于死板，所以在返回到第一层的所有结果中加入一点随机性

if (depth & 1 == 1) {if (ret > alpha) {if (depth == 1) {console.log(j + '-' + i + getCText(dest[0],dest[1])[0] + "移动到 " + dest[0] + '-' + dest[1])//如果新的最好结果比原最好结果只大了5分以内，以某种概率保持原最好结果，以提高随机性if (ret - alpha < 5 && Math.random() > 0.8) {console.log("跨过最优解法");map[j][i] = map[dest[0]][dest[1]];map[dest[0]][dest[1]] = tmp;continue;}AIfrom[0] = j;AIfrom[1] = i;AIto[0] = dest[0];AIto[1] = dest[1];AIcan_eat = !(tmp == 0);}alpha = ret;}//console.log(j + " " + i + " " + "alpha: " + alpha);
}

为了提高玩家体验，增加了悔棋功能。
用一个栈保存之前走过的所有步数，每次悔棋从栈中弹出并恢复。

三、结果分析

alpha-beta剪枝层数大于4时，AI表现出较好的智能，能够与普通人类进行对战且有较大的胜算。由于象棋游戏本身有较大的不确定性，因此以下结果仅供参考。

对战局数	AI获胜局数	胜率
10	8	80%

搜索深度	每步用时
4	<0.1s
5	<0.5s
6	1~3s

AI程序与成熟的象棋AI程序相比仍然有很多不足，主要体现在以下方面：

搜索层数过低
成熟的象棋程序中的AI算法一般能搜索到数十层的深度，这是我的算法和硬件设备所远远达不到的。
套路不足
尽管我已经为重炮将军和将军抽车这些套路加到棋力评估当中，仍然有很多危险的套路是AI所不能识别和避免的。
多棋子联动性差
棋面评估目前只限制在单子棋力评估，所以不能很好地联动多个棋子，造成较大的杀伤。但由于alpha-beta剪枝本身的特性，即使专门写两个或两个以上棋子的联动也不能有很大的改进，所以我放弃了优化这个方向。

一些可能起到优化作用的改进：

完善棋力表
在目前的程序中自始至终每个棋子都只有一个表，但一个表只能提供最粗略的估计，显然适应不了变化莫测的局面。为了提供更详细可靠的评估标准，可以将棋局分为三个阶段：开局、中局和残局，每个局面对应一个棋力评估表。
增加搜索深度
历史记录
很多同学都有提到这个点，不过我很好奇他们是怎么实现的。记住一个好的走法是需要记住整个局面吗，这样的代价似乎有点大，一局下来也不一定能遇到几次重复的局面，而你还要从出现过这个局面的历史记录里找出分数最高的走法，听起来很好，但我认为很难实现。如果不记住整个局面而记下局部区域的局面，那开销可能小一点，重复出现该局面的可能性也比较高，但算法就更复杂了。