---

为什么选择五子棋AI作为入门项目？

五子棋规则简单但策略丰富，是学习博弈算法的绝佳切入点。一个能自动对战的AI系统可以：

• 作为教学演示帮助理解决策树搜索
• 验证算法优化效果（如剪枝策略）
• 后续可扩展为在线对战平台或教学工具

技术方案选型

常见实现方式对比：

• 随机算法：每次随机选择空位，实现简单但毫无策略性
• 规则引擎：预设连珠、拦截等规则，反应快但缺乏全局观
• Minimax算法：通过博弈树评估未来几步走法，策略性强，适合作为基础框架

推荐Minimax的原因在于它：

1. 能系统化评估棋局优劣
2. 方便后续引入α-β剪枝等优化
3. 算法结构清晰易于调试

核心实现详解

棋盘表示

使用15×15的二维数组，用0表示空位，1和2代表双方棋子：

class GomokuBoard:
    def __init__(self):
        self.size = 15
        self.board = [[0] * self.size for _ in range(self.size)]

胜负判断

检查横、竖、左斜、右斜四个方向是否存在五连珠：

def check_win(self, x, y):
    directions = [(1,0), (0,1), (1,1), (1,-1)]  # 四方向向量
    for dx, dy in directions:
        count = 1
        # 正向检测
        for step in range(1, 5):
            nx, ny = x + dx*step, y + dy*step
            if not (0 <= nx < self.size and 0 <= ny < self.size):
                break
            if self.board[nx][ny] == self.board[x][y]:
                count += 1
            else:
                break
        # 反向检测
        for step in range(1, 5):
            nx, ny = x - dx*step, y - dy*step
            if not (0 <= nx < self.size and 0 <= ny < self.size):
                break
            if self.board[nx][ny] == self.board[x][y]:
                count += 1
            else:
                break
        if count >= 5:
            return True
    return False

Minimax算法骨架

递归实现带α-β剪枝的决策搜索：

def minimax(board, depth, alpha, beta, is_maximizing):
    if depth == 0 or game_over:
        return evaluate(board)

    if is_maximizing:
        max_eval = -float('inf')
        for move in valid_moves:
            make_move(move)
            eval = minimax(board, depth-1, alpha, beta, False)
            undo_move(move)
            max_eval = max(max_eval, eval)
            alpha = max(alpha, eval)
            if beta <= alpha:
                break  # β剪枝
        return max_eval
    else:
        min_eval = float('inf')
        for move in valid_moves:
            make_move(move)
            eval = minimax(board, depth-1, alpha, beta, True)
            undo_move(move)
            min_eval = min(min_eval, eval)
            beta = min(beta, eval)
            if beta <= alpha:
                break  # α剪枝
        return min_eval

性能优化实战

搜索深度控制

• 深度3：响应时间<1秒，适合实时对战
• 深度5：需要2-5秒，策略更强
• 建议动态调整：开局用深度3，中局切到深度5

评估函数设计

示例加权评分规则：

def evaluate(self):
    score = 0
    # 遍历所有可能五元组
    for line in all_possible_lines:
        white = line.count(1)
        black = line.count(2)

        if white == 5: return 10000  # 白胜
        if black == 5: return -10000 # 黑胜

        if white == 4: score += 1000
        elif white == 3: score += 100

        if black == 4: score -= 1000 
        elif black == 3: score -= 100
    return score

常见踩坑记录

边界处理

错误示例：

# 错误：数组越界
if board[x+4][y] == player: ...

正确做法：

if 0 <= x+4 < size and board[x+4][y] == player: ...

递归深度

现象：搜索深度>6时可能栈溢出 解决方案： 1. 改用迭代加深搜索(IDDFS) 2. 设置递归深度限制 3. 使用尾递归优化（需语言支持）

下一步改进方向

1. 并行搜索：使用multiprocessing加速各分支评估
2. MCTS增强：结合蒙特卡洛随机模拟提升中盘能力
3. GUI开发：用PyQt或Tkinter实现可视化界面

完整项目代码已开源在GitHub（示例仓库地址），包含单元测试和性能对比数据。建议从深度3的基础版本开始，逐步添加优化模块，这样的学习曲线会更加平滑。