为什么出第二版

在 2016年2月的时候，我写了第一版的五子棋AI教程。当时是边写代码边写博客，因此出现了一些理解上有偏差的地方，以及文章中的代码片段和最终的代码有很多不一致的地方。经过两年多的时间，断断续续更新了好多次代码，电脑的棋力更强了，我对AI的理解也更深入了，期间也学习了一些神经网络的知识。因此，我就打算把陈旧的教程完整的更新一遍，主要目的是更新其中的一些错误，以及加入一些新的知识。因为这是我已经完成了代码后写的，所以质量会比之前一边摸索一遍写要高出很多。无论你有没有看过我的第一版的教程，都推荐你看看这个新版教程。

第一版教程的地址：https://blog.csdn.net/lihongxun945/article/category/6089493

本文章的所有代码都是开源的，代码地址： https://github.com/lihongxun945/gobang

我的五子棋AI在线地址，任何现代浏览器打开地址就可以玩： http://gobang.light7.cn/

教程大纲

这篇教程主要会讲解如下几个方面：

1. 博弈算法基础知识
2. 局势评估
3. 极小化极大值搜索
4. Alpha-Beta 剪枝
5. 迭代加深
6. Zobrist缓存
7. 启发式评估函数
8. 算杀
9. 单元测试
10. 速度优化

大部分内容在旧版的教程都有涉及，速度优化 这一章是之前没有的，而且这是掌握了基本算法之后，最重要的技能，也是最耗时的地方，我知道很多AI的设计者都是把大部分时间花在了性能优化上。

我能学习到什么知识？

读完这个系列之后，你能掌握棋类AI设计的所有基础知识，虽然本文是以五子棋为例，但是目前除了围棋之外的所有棋类几乎都可以用这个算法来实现，比如常见的象棋、黑白棋、跳棋等。至于围棋为什么不能用本文的算法来实现（或者说只用传统的搜索算法棋力会非常不理想），在下一篇文章会详细解读。

这里用的算法都是非常标准的，非常国际化的算法，并非本人原创，而是经过了几十年的发展，由很多大神发明的算法。所以不用担心学到了“奇怪的，野生的”算法，你在本教程中学到的都是可以让你受益终身的知识，不仅是AI，甚至不仅是博弈。

这是一篇基于传统搜索算法实现的AI教程，并不会详细的讲解神经网络的实现。不过如果你想学习神经网络的AI设计，我强烈建议你依然要完整的弄懂传统的搜索实现。因为目前包括AlphaGO在内的AI使用的是 搜索 + 神经网络 的结合技术。

这个AI的棋力如何

如果你对五子棋有一些研究，强烈建议你和电脑对战几局来体会电脑的棋力。个人并不是一个五子棋高玩，通过和身边以及网络上一些小伙伴的对战结果来看，这个AI已经能战胜大部分业余玩家。专业一点来说，AI的搜索深度是 8~10 层，如果没有特殊的优化技巧，这个深度已经达到了一个比较高的水平。

关于编程语言的问题

如你所见，我是使用JavaScript来实现的，并不是因为JS适合，相反，JS并不擅长进行CPU密集型的计算。只是因为本人是一个专业的前端工程师，所以理所当然选择了JS。相信如果同样的代码使用C语言实现，会大幅提升电脑的计算速度，可能能带来明显的棋力提升。

因为AI算法和浏览器环境无关，源码中的AI模块可以在浏览器和NodeJS中都能运行。如果你不懂JS，也完全不用担心。首先，JS是一个C风格的，非常容易读懂非常容易学习的语言。其次，文章中会很详细的讲解算法的实现原理，即使不参考代码你也完全可以实现一个自己的AI。

当然如果你希望能fork我的项目，并做一些改进，并且你不是一个前端工程师，那么会比较麻烦些。因为这个项目使用了一些目前为止比较先进的前端技术，包括：Vue, Webpack, Web Worker等。因为前端知识的迅速变化，以及前端知识体系的复杂性，不建议非前端工程师去阅读除AI模块外的代码。在后面的文章你会知道这个项目的解构，以及每个模块的作用。

这个项目是完全开源的

在第一版的教程中，有人问是不是github上缺少部分源码。这个我可以肯定的告诉大家，所有代码都在github上开源。之前有部分代码找不到的原因是，后来经过了代码重构，在旧的章节中提到的一些模块可能被移动到其他地方，导致找不到代码。不过请放心，在新版本中不会发生这种情况。

如果你感激作者的工作，希望能做一些回报，那么你可以：

• 把你发现的Bug报告给我
• 通过 pull request 提交你的代码
• 给我点 star
• 告诉身边的小伙伴

关于作者 言川

前端工程师一枚，我的博客地址： https://github.com/lihongxun945/myblog

下一篇 五子棋AI设计教程第二版二：博弈算法的前世今生