為了應付某人的畢設，研究過一段時間的人機象棋，現來談談詳細的演算法思路和流程。
注：本文沒有任何干貨原始碼，寫過二層遍歷、基本評價函式與所謂“深度學習”演算法下的人機象棋，棋力之弱小，就不獻醜了。

首先，程式需要囊括象棋的基本著法，比如馬走“日”字，相飛“田”，實現人人象棋是進行人機象棋的第一步。
進入正題，試想如何實現象棋的AI？按著人的思路，很容易想到“博弈樹”，所謂博弈樹，就是一顆大樹，根節點就是開局棋盤，第二層節點就是走了一步棋的棋盤，第三層棋盤就是在二層棋盤下對方走一步棋的棋

盤，以此類推。這顆樹異常龐大，龐大到囊括了象棋所有的可能性，據統計，象棋每一步平均有50-70種走法，而平均30幾回合決出勝負，所以一共大概有60的30次方種走法。大膽想象一下，如果計算機能完全模擬並

記憶這顆完全博弈樹，那麼無論什麼棋局，計算機都能找到對應的節點，通過對節點後續所有走法的遍歷，回推一個最佳走法，那麼就能保證AI的絕對優勢。
這裡提到一個詞，“遍歷”，人機象棋的一個核心就是遍歷演算法，即從當前棋盤開始，模擬後續的走法，返回最優走法，但是現在的計算機一般能保證的也只是5-10層的遍歷，也就是說只能預測接下來5-10步的發展

。
==>遍歷演算法的核心就是去模擬所有可能的情況，程式實現並不難，首先遍歷每一個棋子，在遍歷某一個棋子所有可能的走法，如果是多層，則是遞迴遍歷，這是值得推敲的<==
遍歷演算法會產生博弈樹，博弈樹是可以進行剪枝處理的，比如最簡單的剪枝對已經分出勝負的棋局不再遍歷，就可以簡化博弈樹。更加優秀的方法是α-β剪枝等，有興趣可以仔細推敲研究。
說完遍歷，來聊聊評價函式，什麼叫評價函式？對於一個棋盤，怎麼判斷這個棋盤對誰有利，這就需要評價函數了。通過評價函式對棋盤進行評分，分值越大越有利，棋局向分值大的方向發展。
評價函式分為4個部分：
1、棋子自身價值。自身價值不用多說，就是棋子越多局面越有利。且各棋子分值不一，比如車>炮，馬>兵等，注意一般我們令將的分值極大，比如車是100分，將可以設定成10000或者100000等，這樣做是為了讓機器

足夠重視將，及時其他所有棋子都沒了，也要保留將。這種分數評估都是按照經驗來的，我當時按照參考書推薦設定的是炮80，馬70等
2、棋子的位置價值。每一種棋子都有位置矩陣，比如車在原位時位置價值為0，當其出動後，位置價值逐步提升，當車在對面半區尤其是中心位置時，位置得分較高。尤其是兵，當其未過河時，位置得分極低，當其

過河後位置得分突然變高，比棋子本身價值還要高。為什麼要位置價值的原因就是在於不同位置的棋子重要度不一樣。
3、棋子靈活性價值。靈活性指棋子可能的走法，比如兵未過河時只有一種走法，當其過河後就有最多3種走法，走法越多，棋子靈活性越好，得分也就越高。靈活性的計算即遍歷每一個棋子，用走法數乘基本靈活性

價值，最後得到總和就是靈活性得分。靈活性價值的意義在於定義棋子是否有多種走法，是否可以創造多種可能，比如若某一棋子被卡死，那它的價值就非常低。
4、保護威脅價值。威脅價值指若有敵方棋子能吃到己方棋子，則認為這個棋子是受威脅的，平常下棋時這種情況就是快走開，或者用其他棋子保住，或者丟車保帥等，受威脅的棋子需要大量減分，甚至減棋子自身價

值相應的分數，這樣做是為了讓AI能夠保護棋子。而保護價值指己方棋子對棋子的保護，比如連環馬，如果走到連環馬的位置上，將增加保護價值。保護威脅價值的意義在於在進行棋盤進行評價估分時會綜合考慮其

他棋子的位置，敵方會有威脅，己方會有保護作用。
==>評價函式直接決定了棋力大小，定義的各個部分的評價分數不一樣將直接導致棋力不一，重視度不一樣<==
最後，提出“深度學習”演算法，先上個流程圖：

什麼意思？先看虛線框外的內容，就是一個匹配的方法，就是在執行遞迴遍歷和評價函式之前，先與大資料對比庫進行匹配，如果庫裡有對應的資料，則直接用反饋回的走法進行走棋，就節省了遍歷和評估的時間，極大加快速度。

那麼大資料庫怎麼來，就需要用到機器學習方面的內容，遍歷大量棋局，整合最佳走法，每一條對應一個棋局佈局下的最佳走法。

OK，人機象棋介紹完畢，還想再說一句，博弈是AI中一個重要的部分，博弈蘊含很多思想，探究完人機象棋如何實現後，突然發現AI也就這樣了！但是入門容易，優化很難！！！想提升一點速度都是一件不容易的事