Python開發AI應用-國際象棋應用
AI 部分總述
AI在做出決策前經過三個不同的步驟。首先，他找到所有規則允許的棋步（通常在開局時會有20-30種，隨後會降低到幾種）。其次，它生成一個棋步樹用來隨後決定最佳決策。雖然樹的大小隨深度指數增長，但是樹的深度可以是任意的。假設每次決策有平均20個可選的棋步，那深度為1對應20棋步，深度為2對應400棋步，深度為3對應8000棋步。最後，它遍歷這個樹，采取x步後結果最佳的那個棋步，x是我們選擇的樹的深度。後面的文章為了簡單起見，我會假設樹深為2。
生成棋步樹
棋步樹是這個AI的核心。構成這個樹的類是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
這個類有五個屬性。首先是move，即它包含的棋步，它是個Move類，在這不是很重要，只需要知道它是一個告訴一個起子往哪走的棋步，可以吃什麽子，等等。然後是children，它也是個MoveNode類。第三個屬性是parent，所以通過它可以知道上一層有哪些MoveNode。pointAdvantage屬性是AI用來決定這一棋步是好是壞用的。depth屬性指明這一結點在第幾層，也就是說該節點上面有多少節點。生成棋步樹的代碼如下：
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
變量moveTree一開始是個空list，隨後它裝入MoveNode類的實例。第一個循環後，它只是一個擁有沒有父結點、子結點的MoveNode的數組，也就是一些根節點。第二個循環遍歷moveTree，用populateNodeChildren函數給每個節點添加子節點：
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()
這個函數是遞歸的，並且它有點難用圖像表達出來。一開始給它傳遞了個MoveNode對象。這個MoveNode對象會有為1的深度，因為它沒有父節點。我們還是假設這個AI被設定為深度為2。因此率先傳給這個函數的結點會跳過第一個if語句。
然後，決定出所有規則允許的棋步。不過這在這篇文章討論的範圍之外，如果你想看的話代碼都在Github上。下一個if語句檢查是否有符合規則的棋步。如果一個都沒有，要麽被將死了，要麽和棋了。如果是被將死了，由於沒有其他可以走的棋步，把node.move.checkmate屬性設為True並return。和棋也是相似的，不過由於哪一方都沒有優勢，我們把node.pointAdvantage設為0。
如果不是將死或者和棋，那麽legalMoves變量中的所有棋步都被加入當前結點的子節點中作為MoveNode，然後函數被調用來給這些子節點添加他們自己的MoveNode。
當結點的深度等於self.depth（這個例子中是2）時，什麽也不做，當前節點的子節點保留為空數組。
遍歷樹
假設/我們有了一個MoveNode的樹，我們需要遍歷他，找到最佳棋步。這個邏輯有些微妙，需要花一點時間想明白它(在明白這是個很好的算法之前，我應該更多地去用Google)。所以我會盡可能充分解釋它。比方說這是我們的棋步樹：
如果這個AI很笨，只有深度1，他會選擇拿“象”吃“車”，導致它得到5分並且總優勢為+7。然後下一步“兵”會吃掉它的“後”，現在優勢從+7變為-2，因為它沒有提前想到下一步。
在假設它的深度為2。將會看到它用“後”吃“馬”導致分數-4，移動“後”導致分數+1，“象”吃“車”導致分數-2。因此，他選擇移動後。這是設計AI時的通用技巧，你可以在這找到更多資料（極小化極大算法）。
所以我們輪到AI時讓它選擇最佳棋步，並且假設AI的對手會選擇對AI來說最不利的棋步。下面展示這一點是如何實現的：
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
這也是個遞歸函數，所以一眼很難看出它在幹什麽。有兩種情況：當前結點有子節點或者沒有子節點。假設棋步樹正好是前面圖中的樣子（實際中每個樹枝上會有更多結點）。
第一種情況中，當前節點有子節點。拿第一步舉例，Q吃掉N。它子節點的深度為2，所以2除2取余不是1。這意味著子節點包含對手的一步棋，所以返回最小步數（假設對手會走出對AI最不利的棋步）。
該節點的子節點不會有他們自己的節點，因為我們假設深度為2。因此，他們但會他們真實的分值（-4和+5）。他們中最小的是-4，所以第一步，Q吃N，被給為分值-4。
其他兩步也重復這個步驟，移動“後”的分數給為+1，“象”吃“車”的分數給為-2。
選擇最佳棋步
最難的部分已經完成了，現在這個AI要做的事就是從最高分值的棋步中做選擇。
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]
此時有三種情況。如果變量bestMoveNodes為空，那麽moveNode的值是多少，都添加到這個list中。如果moveNode的值高於bestMoveNodes的第一個元素，清空這個list然後添加該moveNode。如果moveNode的值是一樣的，那麽添加到list中。
最後一步是從最佳棋步中隨機選擇一個(AI能被預測是很糟糕的)
bestMoves = self.bestMovesWithMoveTree(moveTree) randomBestMove = random.choice(bestMoves)
這就是所有的內容。AI生成一個樹，用子節點填充到任意深度，遍歷這個樹找到每個棋步的分值，然後隨機選擇最好的。這有各種可以優化的地方，剪枝，剃刀，靜止搜索等等，但是希望這篇文章很好地解釋了基礎的暴力算法的象棋AI是如何工作的。
註意：部門內容參考於互聯網
Python開發AI應用-國際象棋應用