最近我用Python做了一个国际象棋程序并把代码发布在Github上了。这个代码不到1000行，大概20%用来实现AI。在这篇文章中我会介绍这个AI如何工作，每一个部分做什么，它为什么能那样工作起来。你可以直接通读本文，或者去下载代码，边读边看代码。虽然去看看其他文件中有什么AI依赖的类也可能有帮助，但是AI部分全都在AI.py文件中。
AI 部分总述
AI在做出决策前经过三个不同的步骤。首先，他找到所有规则允许的棋步（通常在开局时会有20-30种，随后会降低到几种）。其次，它生成一个棋步树用来随后决定最佳决策。虽然树的大小随深度指数增长，但是树的深度可以是任意的。假设每次决策有平均20个可选的棋步，那深度为1对应20棋步，深度为2对应400棋步，深度为3对应8000棋步。最后，它遍历这个树，采取x步后结果最佳的那个棋步，x是我们选择的树的深度。后面的文章为了简单起见，我会假设树深为2。
生成棋步树
棋步树是这个AI的核心。构成这个树的类是MoveNode.py文件中的MoveNode。他的初始化方法如下：
def __init__(self, move, children, parent) : self.move = move self.children = children self.parent = parent pointAdvantage = None depth = 1
这个类有五个属性。首先是move，即它包含的棋步，它是个Move类，在这不是很重要，只需要知道它是一个告诉一个起子往哪走的棋步，可以吃什么子，等等。然后是children，它也是个MoveNode类。第三个属性是parent，所以通过它可以知道上一层有哪些MoveNode。pointAdvantage属性是AI用来决定这一棋步是好是坏用的。depth属性指明这一结点在第几层，也就是说该节点上面有多少节点。生成棋步树的代码如下：
def generateMoveTree(self) :
moveTree = []
for move in self.board.getAllMovesLegal(self.side) :
moveTree.append(MoveNode(move, [], None))
for node in moveTree :
self.board.makeMove(node.move)
self.populateNodeChildren(node)
self.board.undoLastMove()
return moveTree
变量moveTree一开始是个空list，随后它装入MoveNode类的实例。第一个循环后，它只是一个拥有没有父结点、子结点的MoveNode的数组，也就是一些根节点。第二个循环遍历moveTree，用populateNodeChildren函数给每个节点添加子节点：
def populateNodeChildren(self, node) :
node.pointAdvantage = self.board.getPointAdvantageOfSide(self.side)
node.depth = node.getDepth()
if node.depth == self.depth :
return
side = self.board.currentSide
legalMoves = self.board.getAllMovesLegal(side)
if not legalMoves :
if self.board.isCheckmate() :
node.move.checkmate = True
return
elif self.board.isStalemate() :
node.move.stalemate = True
node.pointAdvantage = 0
return
for move in legalMoves :
node.children.append(MoveNode(move, [], node))
self.board.makeMove(move)
self.populateNodeChildren(node.children[-1])
self.board.undoLastMove()
这个函数是递归的，并且它有点难用图像表达出来。一开始给它传递了个MoveNode对象。这个MoveNode对象会有为1的深度，因为它没有父节点。我们还是假设这个AI被设定为深度为2。因此率先传给这个函数的结点会跳过第一个if语句。
然后，决定出所有规则允许的棋步。不过这在这篇文章讨论的范围之外，如果你想看的话代码都在Github上。下一个if语句检查是否有符合规则的棋步。如果一个都没有，要么被将死了，要么和棋了。如果是被将死了，由于没有其他可以走的棋步，把node.move.checkmate属性设为True并return。和棋也是相似的，不过由于哪一方都没有优势，我们把node.pointAdvantage设为0。
如果不是将死或者和棋，那么legalMoves变量中的所有棋步都被加入当前结点的子节点中作为MoveNode，然后函数被调用来给这些子节点添加他们自己的MoveNode。
当结点的深度等于self.depth（这个例子中是2）时，什么也不做，当前节点的子节点保留为空数组。
遍历树
假设/我们有了一个MoveNode的树，我们需要遍历他，找到最佳棋步。这个逻辑有些微妙，需要花一点时间想明白它(在明白这是个很好的算法之前，我应该更多地去用Google)。所以我会尽可能充分解释它。比方说这是我们的棋步树：
如果这个AI很笨，只有深度1，他会选择拿“象”吃“车”，导致它得到5分并且总优势为+7。然后下一步“兵”会吃掉它的“后”，现在优势从+7变为-2，因为它没有提前想到下一步。
在假设它的深度为2。将会看到它用“后”吃“马”导致分数-4，移动“后”导致分数+1，“象”吃“车”导致分数-2。因此，他选择移动后。这是设计AI时的通用技巧，你可以在这找到更多资料（极小化极大算法）。
所以我们轮到AI时让它选择最佳棋步，并且假设AI的对手会选择对AI来说最不利的棋步。下面展示这一点是如何实现的：
def getOptimalPointAdvantageForNode(self, node) :
if node.children:
for child in node.children :
child.pointAdvantage = self.getOptimalPointAdvantageForNode(child)
#If the depth is divisible by 2, it's a move for the AI's side, so return max
if node.children[0].depth % 2 == 1 :
return(max(node.children).pointAdvantage)
else :
return(min(node.children).pointAdvantage)
else :
return node.pointAdvantage
这也是个递归函数，所以一眼很难看出它在干什么。有两种情况：当前结点有子节点或者没有子节点。假设棋步树正好是前面图中的样子（实际中每个树枝上会有更多结点）。
第一种情况中，当前节点有子节点。拿第一步举例，Q吃掉N。它子节点的深度为2，所以2除2取余不是1。这意味着子节点包含对手的一步棋，所以返回最小步数（假设对手会走出对AI最不利的棋步）。
该节点的子节点不会有他们自己的节点，因为我们假设深度为2。因此，他们但会他们真实的分值（-4和+5）。他们中最小的是-4，所以第一步，Q吃N，被给为分值-4。
其他两步也重复这个步骤，移动“后”的分数给为+1，“象”吃“车”的分数给为-2。
选择最佳棋步
最难的部分已经完成了，现在这个AI要做的事就是从最高分值的棋步中做选择。
def bestMovesWithMoveTree(self, moveTree) :
bestMoveNodes = []
for moveNode in moveTree :
moveNode.pointAdvantage = self.getOptimalPointAdvantageForNode(moveNode)
if not bestMoveNodes :
bestMoveNodes.append(moveNode)
elif moveNode > bestMoveNodes[0] :
bestMoveNodes = []
bestMoveNodes.append(moveNode)
elif moveNode == bestMoveNodes[0] :
bestMoveNodes.append(moveNode)
return [node.move for node in bestMoveNodes]
此时有三种情况。如果变量bestMoveNodes为空，那么moveNode的值是多少，都添加到这个list中。如果moveNode的值高于bestMoveNodes的第一个元素，清空这个list然后添加该moveNode。如果moveNode的值是一样的，那么添加到list中。
最后一步是从最佳棋步中随机选择一个(AI能被预测是很糟糕的)
bestMoves = self.bestMovesWithMoveTree(moveTree) randomBestMove = random.choice(bestMoves)
这就是所有的内容。AI生成一个树，用子节点填充到任意深度，遍历这个树找到每个棋步的分值，然后随机选择最好的。这有各种可以优化的地方，剪枝，剃刀，静止搜索等等，但是希望这篇文章很好地解释了基础的暴力算法的象棋AI是如何工作的。
本文由 伯乐在线 - 许世豪 翻译自 mbuffett。
以上是小编为您精心准备的的内容，在的博客、问答、公众号、人物、课程等栏目也有的相关内容，欢迎继续使用右上角搜索按钮进行搜索ai
国际象棋
python编写计算器程序、python编写的小程序、python编写桌面程序、python编写的桌面程序、python编写exe程序，以便于您获取更多的相关知识。