Python实现AI五子棋

公众号：Charles的皮卡丘
做者：Charles

开发工具：
Python版本：3.6.4
相关模块：
graphics模块。

环境搭建：
安装Python并添加到环境变量便可。

原理简介：
对于五子棋这样的博弈类AI，很天然的想法就是让计算机把当前全部可能的状况都尝试一遍，找到最优的落子点。这里有两个问题：
（1）如何把全部可能的状况都尝试一遍；
（2）如何定量判断某落子点的优劣。
对于第一个问题，其实就是所谓的博弈树搜索，对于第二个问题，其实就是所谓的选择评估函数。评估函数的选取直接决定了AI算法的优劣，其形式也变幻无穷。能够说，每一个评估函数就是一个选手，对不一样的棋型每一个选手天然有不一样的见解和应对措施，固然他们的棋力也就所以各不相同了。
但博弈树搜索就比较固定了，其核心思想无非是让计算机考虑当前局势下以后N步全部可能的状况，其中奇数步（由于如今轮到AI下）要让AI方的得分最大，偶数步要让AI方的得分最小（由于对手也就是人类，也能够选择最优策略）。
固然这样的搜索其计算量是极大的，这时候就须要剪枝来减小计算量。例以下图：

其中A表明AI方，P表明人类方。AI方搜索最大值，人类方搜索最小值。所以Layer3的A1向下搜索的最终结果为4，Layer3的A2向下搜索，先搜索Layer4的P3，得到的分值为6，考虑到Layer2的P1向下搜索时取Layer3的A1和A2中的较小值，而Layer3的A2搜索完Layer4的P3时，其值就已经必大于Layer3的A1了，就没有搜索下去的必要了，所以Layer3到Layer4的路径3就能够剪掉了。
上述搜索策略其实质就是：
minimax算法+alpha-beta剪枝算法。
了解了上述原理以后，就能够本身写代码实现了。固然实际实现过程当中，我作了一些简化，但万变不离其宗，其核心思想都是同样的。

视频演示：
https://mp.weixin.qq.com/s/Y9...

源代码：
关注公众号：Charles的皮卡丘，回复“AI五子棋”获取。