基于置换表技术的中国象棋搜索算法研究.docxVIP

基于置换表技术的中国象棋搜索算法研究 　　引言　　在中国象棋的人机博弈的研究中，局面搜索算法是核心，中国象棋的博弈过程中，针对某一局面，平均着法达到60步，故减少搜索的节点，提高搜索的速度和节省搜索过程中内存开销，就成了中国象棋搜索研究一个终极目标。Alpha-Beta搜索算法是人机博弈的一个基本算法，但是该算法在搜索过程中，存在大量的冗余[1]。本文即在这一基本算法的基础上，加入置换表技术和Hash table技术，以提高搜索速度。　　1 Alpha-Beta搜索算法　　如图1所示，结点下面的数字为该节点所代表的局面评估值。在左图中，节点B的值为18，节点D的值为16，因为C节点要取其子节点的最小值，故可以判定节点C的值将小于或者等16，而A节点的值为B节点和C节点的最大值，这样无论E节点和F节点的值为多少，都不影响A节点的取值，因为A节点此时肯定会取B节点的值18联盟，这样将节点D的后继节点减去称Alpha剪枝。观察图1的右半部的极大极小树，A节点要取B节点和C节点的最小值，C节点要取其子结点的最大值，而D节点的值为18，故C节点的值最小为18，这个值已经大于B节点的值了，所以无论E节点和F节点的值为多少，都不影响A了点的取值，所以将节点D的后继节点减去称Beta剪枝。　　原始的Alpha-Beta搜索算法略显繁琐，需要在奇数层进行Alpha剪枝，在偶数层进行Beta剪枝，利用负极大值搜索的思想，可以统一在任何一层进行Beta剪枝。　　置换表的思想　　Alpha-Beta 搜索算法的剪枝过程对搜索节点的排序顺序依赖很大，当搜索顺序的排列为最差情况时，其搜索效果与极大极小值相同[2]。其实在搜索的过程中，随着搜索层次的加深，会出现一些节点是原来搜索过的，如果能直接利用已经搜索过的节点局面评估值，而不重新搜索一次，这样相同于进行了很大程度的剪枝[3]。我们可以利用一个数组将已经搜索过和节点保存起来，在搜索新的节点时，先到数组中检查以前是否已经搜索过本节点，如果是，则直接用数组里保存的局面评估值，如果没有，则继续正常搜索，这就是置换表的思想。　　哈希表来实现置换表搜索　　因为在搜索的过程中，节点数量非常大，如果将每一个节点都与数组中的元素一一对应，内存开销太大，不可能实现。为了解决这一问题，可以利用哈希表技术。每一个搜索节点对应哈希表中一个节点，但是反过来，哈希表中的一个节点并不一定只对应一个搜索节点，这就是哈希冲突，在同一次搜索过程中，哈希冲空的可能性并不高，在实际的应用中这是一个可靠的办法。根据中国象棋搜索的特点，定义如下哈希数组。　　对要搜索的每一节点，计算出它的一个哈希值以确定此局面在哈希表中的位置。计算另一个哈希值checksum，来检验表中的数据项是否是所要的那一项。64位的哈希值checksum发生冲突的几率很小，几乎可以将其冲突忽略。即使因为哈希冲突导致没有获得原来搜索过的节点，也不会影响博弈系统的运行，因为还可以采用基础的alpha-beta算法进行搜索。　　在对某一局面搜索之前，先查看哈希表项hashTable[hashIndex]， 如果hashTable[hashIndex].checksum == Checksum，并且hashTable[hashIndex].depth大于或者等于最大搜索深度减去当前层数，就返回hashTable[hashIndex].eval作为当前局面的估值。当对一个局面搜索完成后，将Checksum、当前层数和估值结果保存到hashTable[hashIndex]当中，以备后面的搜索使用。置换表与alpha-beta搜索协同工作的实现机制如下面的类C语言伪代码所示。　　实验　　基于以上核心算法，利用JAVA语言设计了一个实用系统。中国象棋的棋盘用一个10行9列的二维数组与之对应，而各棋子用对应的数字表示。棋局评估主要从剩余棋子基本值、棋子灵活性、棋子受攻击度、棋子受保护度，棋子位置附加值这几个方面来衡量。分别计算这几种类型的值，然后将它们的和作为棋局的优劣值，供搜索引擎使用。实验主要是比较alpha-beta+置换表算法与基本的alpha-beta算法在不同的搜索层次上搜索结点的个数，通过实验可知从第3层开始，alpha-beta+置换表评估的节点数目要少于alpha-beta搜索在同样深度搜索中评估的节点数。而且随着搜索的最大深度的增加，置换表的命中率也不断提高，表明重复的节点所点的比例随深度增加而增加。这表明alpha-beta+置换表评估的节点数同alpha-beta搜索评估的节点数相比的比例越来越低。由于置换表的操作对每一节点都要花费一定的时间，所以在较浅的搜索当中，由于命中率较低，虽然alpha-beta+置换表评估的节点数比alpha-be