基于Alpha-Beta搜索五子棋博弈引擎设计与实现.pdfVIP

1、实验目标

综合课程中机器博弈基础知识，设计并开发一个基于alpha-a搜

索的五子棋机器博弈引擎，实现五子棋人机博弈，机机博弈。使用

C++语言，在windows系统下的visualstudio环境进行开发。引擎

遵循五子棋机器竞赛使用的竞赛平台客户端GOMOCUP通用通信协议。

2、博弈引擎设计

1）博弈搜索算法

引擎采用的博弈搜索算法是结合启发，置换表的fail-soft

alpha-a搜索。Alpha-a搜索是一种极大极小值搜索的减值改

进。通过将MAX节点的子节点中的最大值alpha和MAX节点的父节点

（MIN节点）的目前最小值a进行对比，如果alphaa，则由

生成树的规则可以知道，该MAX节点生成的子树的可以被剪去，因为

存在一个最大值alpha大于a，该节点不会被父节点(MIN)选择。

基本的alpha-a搜索如下图所示：

和极大极小值搜索一样，可以通过形式的变化，得到负极大极小值搜

搜算法。将获得子节点部分进行变化，可以不用再判断当前节点是

MAX还是MIN节点。如下图：

在以上的alpha-a搜索基础上，通过将alpha和a范围设置的

较小，那么整个搜索过程可以进行的剪枝。即Fail-soft

alpha-a搜索。

2）启发函数设计

启发函数主要是通过对棋盘上的棋子构成进行分析，从而评估当

前移动产生的局面对当前玩家而言的优劣。其主要实现是：

⚫通过数据结构记录每个位置相邻的同色棋子数

⚫将棋子信息传给分析函数，更新目前棋盘上的棋型信息（活三，

活四等）

⚫分别评估每个玩家分别有的棋型，并给每个棋型赋不同的权

重，获得每个玩家的得分

⚫用己方得分减去对手得分，即得到当前移动对己方的得分。

3）走法产生机制

走法产生机制是，设置range，对棋盘上每一个非空的位置p，

非重复的将以p为的（2*range+1）*(2*range+1)的正方形区域

中的空位放入候选走法队列。

在此基础上，引擎实现中，将己方和对方的棋子分别处理。首先

将对手棋子附近range1的空位加入队列，然后将己方棋子附近

range2的空位加入队列。为了缩小搜索空间，将range1设定为1，

将range2设定为2.这样可以改善算法在有限时间搜索中因为搜索空

间过大，导致对手冲四未能及时找到的情况。同时减少了搜索时间。

4）启发/置换表/禁手检测等

启发信息：

通过启，将候选走法按照走法的优劣进行大致排

序，从而优化了alpha-a搜索的表现。同时，在启发信息的

实现中使用的是归并排序，而归并排序是稳定的排序算法。所以在走

法产生时先进行对手附近可行走法的搜索，在排序后也相对的排

面。可以更大程度的保证冲四等必防棋型的搜索发现。

置换表：

通过置换表，将过去搜索过的节点启发函数值记录下来。为

每个节点记录一个标志，表明时准确值，上界，还是下界。从而可以

结合Fail-softalpha-a搜索优化

5）其它修改和改进的地方

通过迭代加深的方法进行搜索，尝试每次深度加1，发现这样搜索的

效率没有分段改变迭代深度的搜素效率高，所以最终是在1-4部分深

度每次乘以2，4-20每次加1

3、棋力评测

该博弈引擎在每次10秒的对战中，能显著胜过基于极大极小值搜索

实现的引擎。其棋力水平超过70%普通人。

4、总结

通过五子棋机器博弈程序设计实验，我对启发式的搜索方法有了更深

的理解。在实验过程中，有很多涉及剪枝和优化的内容，常常需要通

过观察引擎下棋的表现，提出猜想，进试实验。这个过程增强了

我对于实验设计和发现问题的能力。

这次的实验中，评估优化和启发部分都主要是用了一些通用的方法，

没