内容：走法产生
中国象棋基础搜索AI，
极大值，极小值剪枝搜索，
静态估值函数
理论基础：
（一）人机博弈走法产生：
先遍历某一方的所有棋子，再遍历整个棋盘，得到每个棋子的所有走棋情况（效率不高，可以改进）
1 void SingleGame::getAllPossibleMove(QVector<Step *> &steps)
2 {
3 int min, max;
4 if(this->_bRedTurn)
5 {
6 min = 0, max = 16;
7 }
8 else
9 {
10 min = 16, max = 32;
11 }
12
13 for(int i=min;i<max; i++)
14 {
15 if(this->_s[i]._dead) continue;
16 for(int row = 0; row<=9; ++row)
17 {
18 for(int col=0; col<=8; ++col)
19 {
20 int killid = this->getStoneId(row, col);
21 if(sameColor(i, killid)) continue;
22
23 if(canMove(i, killid, row, col))
24 {
25 saveStep(i, killid, row, col, steps);
26 }
27 }
28 }
29 }
30 }
（二）棋局博弈树理论：
名词：对抗性搜索（Adversarial Search）：敌对双方交替动作的搜索
博弈树：树的根部是棋局的初始局面，根的若干子节点是有甲的每一种可能走法生成的局面，
这些节点的子节点则是由乙的每一种可能走法生成的局面，如此交替直到棋局结束。
博弈树形象表示
基于博弈树的游戏：
计甲胜为WIN，乙胜为LOST，和局为DRAW；
轮到甲走时，甲选择通向WIN或DRAW的节点；换言之，turn 甲，选择所有子节点中最好的（对甲）;
轮到乙走时，乙选择通向LOST或DRAW的节点；turn 乙，选择所有子节点中最差的（对甲）；
（三）极大极小值算法
在上述博弈树基础上，令甲胜的局面值为1，乙胜的局面值为-1，和局的局面值为0；
轮到甲走时，选择子节点值最大的走法，轮到乙走时，选择子节点值最小的走法；
中间节点的值的确定：该局面轮到甲走，选择其子节点中的最大值，
该局面轮到乙走，选择其子节点中的最小值。
问题：实际的棋局不能简单的以1，-1，0三种状态表示，
需要加入评估棋局局面分数的估值函数，配合博弈树的搜索来确定局面分数。
实际解决方案：
估值函数：暂时以静态估值的方式形成估值函数（评估较为粗糙），
将棋局中的每个棋子按照重要程度赋一个值，
估值函数通过计算一方现存棋子的总分数来确定局面优劣情况。
代码示例：
1 int SingleGame::score()
2 {
3 enum TYPE{CHE, MA, PAO, BING, JIANG, SHI, XIANG};
4 int s[] = {52, 13, 6, 6, 100000, 6, 6, 13, 52, 22, 22, 2, 2, 2, 2, 2};
5 //int s[] = {1000,450,501,200,15000,200,200};
6 /*当头卒比重大*/
7 int scoreBlack = 0;
8 int scoreRed = 0;
9 /*计算红方分数*/
10 for(int i=0; i<16; ++i)
11 {
12 if(_s[i]._dead) continue;
13 //scoreRed += s[_s[i]._type];
14 scoreRed += s[i];
15 }
16 /*计算黑方分数*/
17 for(int i=16; i<32; ++i)
18 {
19 if(_s[i]._dead) continue;
20 //scoreBlack += s[_s[i]._type];
21 scoreBlack += s[i-16];
22 }
23 return scoreBlack - scoreRed;
24 }
极大值极小值搜索方案：
深度优先搜索，优点是不必在内存中生成整个博弈树，可以将搜索过的部分从内存中去除，
采用递归形式，依次在min(int level,int curMin),max(int level,int curMax)之间递归调用，
剪枝以去除不必要的步数，在求极大值时，若下一步的值小于当前极大值，直接删除这一步，不予考虑，
在求极小值时，若下一步的值大于当前极小值，直接删除这一步，不予考虑。
在所有子节点中选出值最大的走法，就是电脑的最佳走法。
代码示例：
1 int SingleGame::getMinScore(int level, int curMin)
2 {
3 if(level == 0)
4 return score();
5
6 QVector<Step*> steps;
7 getAllPossibleMove(steps);
8 int minInAllMaxScore = 300000;
9
10 while(steps.count())
11 {
12 Step* step = steps.last();
13 steps.removeLast();
14
15 fakeMove(step);
16 int maxScore = getMaxScore(level-1, minInAllMaxScore);
17 unfakeMove(step);
18 delete step;
19
20 if(maxScore <= curMin)
21 {
22 while(steps.count())
23 {
24 Step* step = steps.last();
25 steps.removeLast();
26 delete step;
27 }
28 return maxScore;
29 }
30
31 if(maxScore < minInAllMaxScore)
32 {
33 minInAllMaxScore = maxScore;
34 }
35 }
36 return minInAllMaxScore;
37 }
38 int SingleGame::getMaxScore(int level, int curMax)
39 {
40 if(level == 0)
41 return score();
42
43 QVector<Step*> steps;
44 getAllPossibleMove(steps);
45 int maxInAllMinScore = -300000;
46
47 while(steps.count())
48 {
49 Step* step = steps.last();
50 steps.removeLast();
51
52 fakeMove(step);
53 int minScore = getMinScore(level-1, maxInAllMinScore);
54 unfakeMove(step);
55 delete step;
56
57 if(minScore >= curMax)
58 {
59 while(steps.count())
60 {
61 Step* step = steps.last();
62 steps.removeLast();
63 delete step;
64 }
65 return minScore;
66 }
67 if(minScore > maxInAllMinScore)
68 {
69 maxInAllMinScore = minScore;
70 }
71
72
73 }
74 return maxInAllMinScore;
75 }
代码示例：
1 Step* SingleGame::getBestMove()
2 {
3 Step* ret = NULL;
4 QVector<Step*> steps;
5 getAllPossibleMove(steps);
6 int maxInAllMinScore = -300000;
7
8 while(steps.count())
9 {
10 Step* step = steps.last();
11 steps.removeLast();
12
13 fakeMove(step);
14 int minScore = getMinScore(this->_level-1, maxInAllMinScore);
15 unfakeMove(step);
16
17 if(minScore > maxInAllMinScore)
18 {
19 if(ret) delete ret;
20
21 ret = step;
22 maxInAllMinScore = minScore;
23 }
24 else
25 {
26 delete step;
27 }
28 }
29 return ret;
30 }
一个简单的象棋AI，还有诸多优化之处，目前搜索深度最大为4，与初级玩家对弈输多胜少。