AI实现五子棋机器人（一）

前言：

　　前几天在 csdn 下载资源的时候才发现自己 csdn 有近 200 的下载积分，看了看共享的资源，哈哈 ... 7年前写的五子棋游戏很受欢迎。

　　下载地址：新手入门五子棋游戏刚入行的时候写的，采用的 "权值" 计算法。

　　在这个 AI 的浪尖风口上，借助我对游戏领域的热爱，在工作余外的时间唤起了我的想法，学习 AI 实现一个五子棋机器人。

一、五子棋介绍

　　种类及区别

　　先说说五子棋吧，通常大家玩的五子棋分为带禁手和不带禁手两个版本，
　　（前者称之为连珠Renju，后者一般称之为五子棋Gomoku）
　　然而无论哪一个版本，先手黑棋均必胜。
　　（所谓黑必胜的意思是，只要黑棋按照一定的方式下，白棋选择棋盘上的任何一个点都不可能赢棋。）

　　（禁手规则增加程序复杂度，暂不考虑加入）

　　这里只说结果，至于为什么参考文末资料：
　　1992年Victor Allis通过编程证明不带禁手的五子棋，黑必胜。
　　2001年Janos Wagner第一次证明的带禁手的五子棋，也是黑必胜。

　　先手优势及棋谱介绍

　　黑棋的优势到底有多大呢？在26个职业开局里，已经发现有19个是黑棋必胜的（一打必胜）。

　　因此为了进一步削弱黑棋的优势，国际上推出五手两打的规则。
　　(就是黑棋的第三步需要下两个点，但由白棋挑选让其下较弱的哪一个)
　　可是人们发现黑棋带禁手依然是必胜。

　　从实践的角度来讲，网上是可以搜索地毯谱的，一般在几百兆左右，可以用renlib软件打开，

　　所谓地毯谱的意思就是黑棋会指定下法，但白棋每一步都可以选择棋盘任意位置，最后黑棋必胜。也就是说，只要按照此棋谱下棋，五子棋世界冠军都一定会输给你。
　　（目前花月、浦月、云月、雨月、峡月、溪月、金星、水月、寒星、明星、岚月、新月、名月，山月，残月都是五手两打必胜）

　　那么正式的比赛是怎么玩的呢？

　　现在的正式比赛通常会常用三手交换、五手两打这些复杂的规则来平衡比赛，但这些规则的各个分支也是逐渐被人破解，
　　五子棋的比赛已经很大程度不是在考验自己的临场发挥，而是考验选手对于少量黑白平衡分支的记忆情况。

　　广义的五子棋

　　不带禁手的五子棋是属于一类更为普遍的 m,n,k游戏 的一种特例，既 15,15,5。

　　m,n,k游戏是指m行n列，轮流下子，连成k个算赢。这个在数学中专门的研究如果在最理想下法（Perfect Play）的情况下有什么样不同的结果，

　　比如标准的三连棋（Tic-tac-toe）是3,3,3是一个平局，同样只有六路棋盘的五子棋也是平局，当然上面我们已经说明了15,15,5是先手必胜，

　　还有研究发现11,11，5也是先手必胜。m,n,k游戏只有先手必胜和平局两种结果。由于每下一个子都一定会对下子一方那一方有优势，

　　所以可以通过反证法证明m,n,k游戏里不可能有后手胜利的情况。如果后手有胜利的方法，

　　那么先手可以提前借鉴（Strategy stealing）过来实现必胜。

　　参考来自：Csdoker's Blog

二、人工智能介绍

　　先看图，来自：《Google TensorFlow 深度学习架构》

　　AlphaGo 的介绍跳过、说说我们中国阿里巴巴的 "鲁班" 号称每秒能够做 8000 张海报的 AI + Design 设计师。

　　其实也是机器学习在图像领域的应用，通过循环训练的方式。

　　在回来说本文的重点 "人机博弈" ，AlphaGo 主要是由三个部分组成：

　　蒙特卡罗数搜索（Monte Carlo tree search MCTS）

　　估值网络（value network）

　　走棋网络（policy network）

　　核心就是估值和走棋，故名思议。

　　通过在大量人类围棋高手对弈的棋谱获取的训练数据，走棋网络能够预测 57% 人类围棋高手的下一步；

　　但是通过这个还远远不足以战胜人类冠军，就融入了估值网络，就是给当前的棋盘，判断每个棋位输赢的概率；

　　据说 AlphaGo 团队将进入游戏领域的研究，星际争霸2；

三、实现思路

　　开发语言：HTML5、JS　　（轻）

　　绘制棋盘、胜负判断规则、界面操作功能，这些比较基础的内容暂时不考虑；

　　采用一个三维数据来定义棋盘内容：　　

var _chessPieces = new Array();

_chessPieces[16][16][1] = -1; 

// [16][16] 棋盘大小：15 * 15，[1] 黑白棋子 (-1 没有棋子，0 白色棋子，1 黑色棋子)