广工人工智能实验报告.docVIP

实验课程名称：__人工智能 实验项目名称 井子棋AI alpha-beta剪枝算法 实验成绩 实 验 者 叶海恒 专业班级 计科8班 学 号 3114006156 实验日期 2016.11 一、实验内容 设计具有AI的井子棋游戏（采用js） AI采用α-β剪枝算法 二、实验设计（原理分析及流程） min电脑AI下棋时，如果考虑步数为0，则代表直接返回当前棋盘估值w（值越大代表对max越有优势，越小则代表对min越有优势，w=maxW-minW）。 如果考虑步数为N，先获取min电脑可以下棋的位置steps。 对于可以下棋的一步step，电脑AI下棋到step的第row行，第column列。 如果这时候min电脑已经赢了，则把棋盘回退一步，返回棋盘估值和下棋位置，不用再考虑其他走法了。 否则，min需要在每一种走法里面，选择一种走法，令max人类走N-1步之后，自己的优势保持最大（即w值最小）。 什么是alpha-beta剪枝呢？就是如果max人类当前一种走法1至少可以获取alpha优势，而另一种走法2，min电脑的一步棋则可能让人类获取比alpha更小的优势，那么max人类肯定不会选择走法2，所以计算在计算min电脑的走法时，min电脑的其他走法就不用再计算了。 最后min电脑经过steps.length种走法对比之后，选择w值最小的一种走法，把棋盘回退一步，并返回棋盘估值和下棋位置。 max走法类似，人类会选择w值最大的走法下棋，所以max函数和min函数分别代表人和AI下棋，互相递归调用，直到递归到步数为0时返回N步之后的估值。 三、实验代码及数据记录 1.代码 /** * [Matrix 矩阵] * @param {[type]} arr [矩阵二维数组] */ var Matrix = function(arr) { this.data = arr; this.row = arr.length; this.column = arr.length ? arr[0].length : 0; }; /** * [multiply 矩阵乘法转换] * @param {[type]} matrix [转换矩阵] * @return {[type]} [description] */ Matrix.prototype.multiply = function(matrix) { if (this.column == matrix.row) { var row = this.row, column = matrix.column, arr = []; for (var i = 0; i row; i++) { arr[i] = []; for (var j = 0; j column; j++) { var sum = 0; for (var n = 0; n this.column; n++) { sum += (this.data[i][n] * matrix.data[n][j]); } arr[i][j] = sum; } } return new Matrix(arr); } }; /** * [Chessboard 棋盘] * @param {[type]} row [description] * @param {[type]} column [description] */ var Chessboard = function(row, column) { this.data = []; this.row = row; this.column = column; for (var i = 0; i row; i++) { this.data[i] = []; for (var j = 0; j column; j++) { this.data[i][j] = Chessboard.NONE; } } this.stack = []; this.is_ended = false; }; /** * [toString 输