从国际象棋到中国围棋，人类与“机器”已经较上了劲。
看过那么多场对战，你是不是也想上手体验一把？
来来来，简单五步，手把手教你撸一个缩减版的国际象棋AI。
首先，我们来看一些基础概念：
移动生成
棋面评估
Minimax算法
alpha beta剪枝
在每个步骤中，我们将通过一个国际象棋程序技术来改进算法。我将演示每个步骤是如何影响算法的。
你可以在GitHub上查看AI算法的最终版本。
https://github.com/lhartikk/simple-chess-ai
我无法打败自己写的象棋程序，是我太差劲还是算法太强大？
步骤1： 移动生成和棋面可视化
在该步骤中，我们使用chess.js库进行移动生成，使用chessboard.js库可视化棋面。chess.js 库基本上包含国际规则象棋的所有规则。在此基础上，我们可以对给定棋面中所有可行的移动方法进行计算。
https://github.com/jhlywa/chess.js
https://github.com/oakmac/chessboardjs/
移动生成功能的可视化。起始位置被用作输入，而从该位置开始的所有可行性移动都是输出。
使用这两个库有助于我们专注于最有趣的任务：创建算法并找到最佳走法。
我们首先构建一个函数，使它可以基于所有可行走法返回一个随机的棋局走法：
var calculateBestMove =function(game) {
//generate all the moves for a given position
var newGameMoves = game.ugly_moves();
return newGameMoves[Math.floor(Math.random() * newGameMoves.length)];
};
这个算法不是一个很强的对手，但是个不错的陪练。
黑子的移动是随机的
体验地址：https://jsfiddle.net/lhartikk/m14epfwb/4
步骤2：棋面评估
我们需要研究在某个特定位置，对战双方哪一方更有优势。想要达到这个目的，最简单的办法是用下方的表格来计算棋盘上每个棋子的相对强度。
通过评估函数，我们可以创建一个算法，该算法能选择评分最高的走法：
var calculateBestMove = function (game) {
var newGameMoves = game.ugly_moves();
var bestMove = null;
//use any negative large number
var bestValue = -9999;
for (var i = 0; i < newGameMoves.length; i++) {
var newGameMove = newGameMoves[i];
game.ugly_move(newGameMove);
//take the negative as AI plays as black
var boardValue = -evaluateBoard(game.board())
game.undo();
if (boardValue > bestValue) {
bestValue = boardValue;
bestMove = newGameMove
}
}
return bestMove;
};
对于我们来说，一个切实的提升——我们的算法可以尽可能地吃掉每个棋子。
通过简单的评估函数，上图黑子已经能进行对弈了，体验地址：
https://jsfiddle.net/lhartikk/m5q6fgtb/1/
步骤3：使用 Minimax 搜索树
通过Minimax算法我们创建了一个简单的搜索树，算法可以从中选择最佳移动方法。在该算法中，可将递归树的所有可能移动探索到特定的深度，并在递归树的子节点处对位置进行评估。
https://en.wikipedia.org/wiki/Minimax
在此之后，我们向父节点返回子节点的最小或者最大值，这取决于黑子移动还是白子移动。（也就是说，我们试图最大化或者最小化每一级的结果）
从“我方”的角度可视化极大极小算法。对于白子来说，最佳移动位置是b2-c3，因为我们确定可以达到评估为-50 的位置
var minimax = function (depth, game, isMaximisingPlayer) {
if (depth === 0) {
return -evaluateBoard(game.board());
}
var newGameMoves = game.ugly_moves();
if (isMaximisingPlayer) {
var bestMove = -9999;
for (var i = 0; i < newGameMoves.length; i++) {
game.ugly_move(newGameMoves[i]);
bestMove = Math.max(bestMove, minimax(depth - 1, game, !isMaximisingPlayer));
game.undo();
}
return bestMove;
} else {
var bestMove = 9999;
for (var i = 0; i < newGameMoves.length; i++) {
game.ugly_move(newGameMoves[i]);
bestMove = Math.min(bestMove, minimax(depth - 1, game, !isMaximisingPlayer));
game.undo();
}
return bestMove;
}
};
通过适当的极大极小算法，我们的算法已经开始理解国际象棋的一些基础策略。
体验地址：https://jsfiddle.net/k96eoq0q/1
步骤四: Alpha-beta 剪枝
Apha-beta剪枝是Minimax算法的优化，允许我们减去搜索树中的一些分支。在相同的资源下，这种方法有助于我们加深Minimax搜对索树的评估。如果发现某个走法会导致更糟糕的局势，那么Alpha-beta 剪枝就会停止评估该分支。这个方法不会影响Minimax算法，相反会提升算法速度。如果一开始就能发现最佳走法，
那么Alpha-beta算法就会更有效。
通过alpha-beta剪枝，我们的极大极小算法就会获得极大的提升，演示如下：
查看chess AI的alpha-beta增强版本：https://jsfiddle.net/Laa0p1mh/3/
步骤五: 优化评估函数
最初的评估函数非常简单，我们仅仅计算棋面上能看到的局势。
想要改善这一点，我们需要添加一些评估元素，比如，棋盘中间的骑士比处于棋盘边缘的骑士更具优势（因为中心位置的骑士有更多选择，也更加活跃）。
我们将会使用piece-square table稍稍调整过的版本，就是我们上边在国际象棋编程设计wiki中提到的。
https://chessprogramming.wikispaces.com/Simplified+evaluation+function
更加直观的piece-square table，我们会根据棋子的位置，增加或者减少评估元素。
通过优化，我们的算法更像一个正儿八经的算法了，至少从一个业余玩家的角度看是这样滴。
在线体验地址https://jsfiddle.net/q76uzxwe/1/
总结
该算法的优势在于它不会犯一些愚蠢的错误，但同时它缺乏战略性的理解。
通过文中方法，我们已经编写了一个能进行简单对战的国际象棋程序算法。算法中涉及AI的部分仅有200行代码，可以实现象棋中的一些基本概念。你可以在GitHub上查看最终的版本。
https://github.com/lhartikk/simple-chess-ai
未来可改进的方向包括：
移动顺序
https://chessprogramming.wikispaces.com/Move+Ordering
更快地移动生成棋局
https://chessprogramming.wikispaces.com/Move+Generation
残局的评估
https://chessprogramming.wikispaces.com/Endgame
想了解更多内容，可以查看国际象棋程序设计的wiki。
原文：https://medium.freecodecamp.com/simple-chess-ai-step-by-step-1d55a9266977
➤版权申明：该文章版权归AI100所有，如需转载、摘编、复制等，请后台留言征得同意。若有直接抄袭，AI100将追究其责任。