JavaScript中国象棋程序（7）

“JavaScript中国象棋程序” 这一系列教程将带你从头使用JavaScript编写一个中国象棋程序。这是教程的第2节。

这一系列共有9个部分：

0、JavaScript中国象棋程序（0）- 前言

1、JavaScript中国象棋程序（1）- 界面设计

2、JavaScript中国象棋程序（2）- 校验棋子走法

3、JavaScript中国象棋程序（3）- 电脑自动走棋

4、JavaScript中国象棋程序（4）- 极大极小搜索算法

5、JavaScript中国象棋程序（5）- Alpha-Beta搜索

6、JavaScript中国象棋程序（6）- 克服水平线效应、检查重复局面

7、JavaScript中国象棋程序（7）- 置换表

8、JavaScript中国象棋程序（8）- 进一步优化

这一节主要介绍置换表。正如象棋百科全书网所说的，没有置换表，就称不上是完整的计算机博弈程序。

7.1、置换表

上图所示的搜索树中，局面A出现了3次，程序也搜索了3次，这浪费了很多时间。何不把A的搜索结果保存在表里，后面再搜索到A时直接查表取值，避免重复搜索呢？保存搜索结果的表，就是置换表。由于哈希表的读写速度很快，通常置换表就由哈希表来实现。

7.1.1、哈希表

哈希表是用散列方法存储的线性表。它以节点的关键字K为自变量，通过一个确定的函数关系h，计算出对应的函数值h(K)，然后把这个值解释为节点的存储地址，将节点存入h(K)所指的存储位置上。在查找时，根据要查找的关键字用同一函数h计算出地址，再到相应的单元里查找要找的节点。函数h(K)称为散列函数或哈希函数。

如：11个元素的关键字分别为18，27，1，20，22，6，10，13，41，15，25。用11个连续存储空间来存放，选取关键字与元素位置间的函数为h(K) = key mod 11。（mod是取余运算）

7.1.2、存储

在我们的程序中，关键字K就是上节已经用到的Zobrist校验码。哈希函数同样是取余运算：

h(K) = Zobrist % TableSize

其中，TableSize是哈希表的长度。

但是这个函数在速度上有个瓶颈，因为“电脑一做除法就成了傻瓜”。因此，TableSize最好是2的整数次幂，这样就能把“取余运算”转化为“按位与运算”。比如取TableSize = 16，那么有：

7 mod 16 = 7, 17 mod 16 = 1, 25 mod 16 = 9

转换为按位与运算就有：

7 & 15 = 7, 17 & 15 = 1, 25 & 15 = 9

也就是说，和15进行与运算，就是对16取余。（可参考这篇文章）

因此，h(K) = Zobrist & （TableSize - 1），其中TableSize是2的整数次幂。

每个哈希表项存储的内容包括：深度（depth）、节点类型（flag）、分值（vl）、最佳走法（mv）、Zobrist Lock校验码。后面会介绍这些字段的作用。

7.1.3、冲突处理

以TableSize = 16为例，

7 mod 16 = 7

23 mod 16 = 7

因此，通过哈希函数算得的位置可能存在冲突。我们处理冲突的方法很简单——深度优先的替换。如果新节点深度高于旧节点，直接用新节点替换旧结点；否则，保留旧节点不变。

7.1.4、查找

由于Zobrist校验码不足以保证局面的唯一性，我们对每个局面都生成一个Zobrist Lock校验码（生成方式与Zobrist校验码一样），并保存在哈希表表项中。

查找置换表时，首先根据Zobrist校验码计算出哈希表中的地址，然后再比较Zobrist Lock校验码是否一致，一致的话才能说明是同一局面。

7.2、节点类型

（a）alpha节点（b）beta节点（c）PV节点

如上图所示，（10,20）是指搜索到C节点时，alpha为10，beta为20。

在图（a）中，所有子节点的值均小于alpha值10，最后C点取值为9，C点称为alpha点。

在图（b）中，节点C通过走法1到达D1取值为24，超过了beta值20，剪去了D2和D3两个分支，同时C点取值24。24并不是C点的真实值，我们只知道C点的值不比24小。这样的C点称为beta节点。

在图（c）中，C点的取值为14，它是所有子节点中的最大值，反映了C点的真是情况，所以C点称为PV节点（Principal Variation）。

如果从哈希表中是一个PV节点，那么当前所搜索节点的值，就是哈希表中存储的值。

如果哈希表中是个beta节点，值为value。由于beta节点会发生剪枝，value不是一个准确值。只能说明当前搜索节点的值，不小于value。

如果哈希表中是个alpha节点，值为value。对于不超出边界的Alpha-Beta搜索，value显然不是个准确值，只能说明当前搜索节点的值不大于value。对于超出边界的Alpha-Beta搜索，例如上面的图（a），我个人觉得，9就是节点C的真实情况吧。让我不解的是，在程序中，使用的正是超出边界的搜索，却没有把alpha节点的值作为准确值来处理。

7.3、杀棋分数调整

在第5节，我们已经考虑了杀棋的分值，把输棋的分值与搜索层数结合起来：

输棋分值 = -MATE_VALUE + 搜索层数

赢棋分值 = MATE_VALUE - 搜索层数

现在使用置换表之后，由于相同的局面，可能位于不同的层数，所以不能再把这个调整后的分值存入置换表。我们的做法是，存入置换表时，存储与层数无关的分值（比如-MATE_VALUE）；读取置换表时，再调整为与层数相关的分值（-MATE_VALUE + 当前搜索层数）。

7.4、杀手走法

第5节我们介绍了历史表，将一些好的走法（beta节点引发剪枝的走法、PV节点估值最好的走法）保存到历史表。根据国家象棋的经验，一个节点好的走法，在它兄弟节点也很可能就是好的走法。但是兄弟节点的走法，在当前节点下未必能走，所以在尝试杀手走法以前先要对它进行走法合理性的判断。

如何保存和获取“兄弟节点中产生截断的走法”呢？我们可以把这个问题简单化——距离根节点步数（distance）同样多的节点，彼此都称为“兄弟”节点，换句话说，亲兄弟、堂表兄弟以及关系更疏远的兄弟都称为“兄弟”。

我们可以把距离根节点的步数（distance）作为索引值，构造一个杀手走法表。我们的程序每个杀手走法表项存有两个杀手走法，走法一比走法二优先：存一个走法时，走法二被走法一替换，走法一被新走法替换；取走法时，先取走法一，后取走法二。

7.5、优化走法顺序

利用各种信息渠道（如置换表、杀手走法、历史表等）来优化走法顺序的手段称为“启发”。之前我们只用历史表作启发，但从这个版本开始，我们采用了多种启发方式：

1、如果置换表中有过该局面的数据，但无法完全利用，那么多数情况下它是浅一层搜索中产生截断的走法，我们可以首先尝试它；

2、然后是两个杀手走法（如果其中某个杀手走法与置换表走法一样，那么可以跳过）；

3、然后生成全部走法，按历史表排序，再依次搜索（可以排除置换表走法和两个杀手走法）。

7.6、核心代码说明

本节的代码可以在 Github 下载，也可以直接clone

git clone -b step-7 https://github.com/Royhoo/write-a-chinesechess-program

Search中新增或修改的主要属性和方法：

（1）、hashMask

hashMask = 哈希表长度 - 1

用于将哈希函数的“取余运算”，转化为“按位与运算”。

（2）、recordHash(flag, vl, depth, mv)

记录哈希表

（3）、probeHash(vlAlpha, vlBeta, depth, mv)

查询哈希表

（4）、setBestMove(mv, depth)

该函数之前只更新历史表，目前要同时更新杀手走法表。

MoveSort中修改的方法：

（1）、next（）

该方法是获取排序后的一个走法，目前加入置换表走法、杀手走法、历史表走法三种启发。