选自medium
作者：Ansh Gaikwad 机器之心编译 编辑：陈萍
国际象棋是一种在棋盘上玩的双人战略棋盘游戏，棋盘格式为 64 格，排列在 8×8 网格中。有人无聊的时候会找电脑下国际象棋，但也有人无聊了会教电脑下棋。
国际象棋可以说是最棒的棋盘游戏之一，它是战略战术和纯技术的完美融合。每位玩家开局时各有 16 枚棋子：一王、一后、两车、两马、两象和八兵，各具不同功能与走法。真人对弈可以凭借玩家的经验，步步为营。那么，对于一个机器——计算机，你该如何教会它下棋？近日，有人在 medium 上发表了一篇文章，详细解释了如何教计算机玩国际象棋。
本文将从 5 个方面进行介绍：
- Board 表示；
- Board 评估；
- 移动选择；
- 测试 AI；
- 接口测试。
在开始之前，你只需要提前安装 Python3。
Board 表示
首先，你需要对棋子背后的逻辑进行编码，即为每个棋子分配每一次可能的合法移动。
python-chess 库为我们提供了棋子的移动生成和验证，简化了工作，安装方式如下：
代码语言：javascript复制!pip install python-chesspython-chess 库安装好后，导入 chess 模块并进行初始化：
代码语言：javascript复制import chess
board = chess.Board()
board在 notebook 中的输出如下所示：
board 对象是一个完整的 board 表示，该对象为我们提供了一些重要的函数，例如，board.is_checkmate() 函数检查是否存在将杀（checkmate），board.push() 函数附加一个移动，board.pop() 函数撤销最后一次移动等。阅读完整的文档请参阅：https://python-chess.readthedocs.io/en/latest/
Board 评估
为了对 board 进行初步评估，必须考虑一位大师在各自比赛中的想法。
我们应该想到的一些要点是：
- 避免用一个小棋子换三个兵；
- 象总是成对出现；
- 避免用两个小棋子换一辆车和一个兵。
将上述要点以方程形式进行表达：
- 象 > 3 个兵 & 马 > 3 个兵；
- 象 > 马；
- 象 马 > 车 兵。
通过化简上述方程，可以得到：象 > 马 > 3 个兵。同样，第三个方程可以改写成：象 马 = 车 1.5 个兵，因为两个小棋子相当于一个车和两个兵。
使用 piece square table 来评估棋子，在 8x8 的矩阵中设置值，例如在国际象棋中，在有利的位置设置较高的值，在不利的位置设置较低的值。
例如，白色国王越过中线的概率将小于 20%，因此我们将在该矩阵中将数值设置为负值。
再举一个例子，假设皇后希望自己被放在中间位置，因为这样可以控制更多的位置，因此我们将在中心设置更高的值，其他棋子也一样，因为国际象棋都是为了保卫国王和控制中心。
理论就讲这些，现在我们来初始化 piece square table：
代码语言：javascript复制pawntable = [
0, 0, 0, 0, 0, 0, 0, 0,
5, 10, 10, -20, -20, 10, 10, 5,
5, -5, -10, 0, 0, -10, -5, 5,
0, 0, 0, 20, 20, 0, 0, 0,
5, 5, 10, 25, 25, 10, 5, 5,
10, 10, 20, 30, 30, 20, 10, 10,
50, 50, 50, 50, 50, 50, 50, 50,
0, 0, 0, 0, 0, 0, 0, 0]
knightstable = [
-50, -40, -30, -30, -30, -30, -40, -50,
-40, -20, 0, 5, 5, 0, -20, -40,
-30, 5, 10, 15, 15, 10, 5, -30,
-30, 0, 15, 20, 20, 15, 0, -30,
-30, 5, 15, 20, 20, 15, 5, -30,
-30, 0, 10, 15, 15, 10, 0, -30,
-40, -20, 0, 0, 0, 0, -20, -40,
-50, -40, -30, -30, -30, -30, -40, -50]
bishopstable = [
-20, -10, -10, -10, -10, -10, -10, -20,
-10, 5, 0, 0, 0, 0, 5, -10,
-10, 10, 10, 10, 10, 10, 10, -10,
-10, 0, 10, 10, 10, 10, 0, -10,
-10, 5, 5, 10, 10, 5, 5, -10,
-10, 0, 5, 10, 10, 5, 0, -10,
-10, 0, 0, 0, 0, 0, 0, -10,
-20, -10, -10, -10, -10, -10, -10, -20]
rookstable = [
0, 0, 0, 5, 5, 0, 0, 0,
-5, 0, 0, 0, 0, 0, 0, -5,
-5, 0, 0, 0, 0, 0, 0, -5,
-5, 0, 0, 0, 0, 0, 0, -5,
-5, 0, 0, 0, 0, 0, 0, -5,
-5, 0, 0, 0, 0, 0, 0, -5,
5, 10, 10, 10, 10, 10, 10, 5,
0, 0, 0, 0, 0, 0, 0, 0]
queenstable = [
-20, -10, -10, -5, -5, -10, -10, -20,
-10, 0, 0, 0, 0, 0, 0, -10,
-10, 5, 5, 5, 5, 5, 0, -10,
0, 0, 5, 5, 5, 5, 0, -5,
-5, 0, 5, 5, 5, 5, 0, -5,
-10, 0, 5, 5, 5, 5, 0, -10,
-10, 0, 0, 0, 0, 0, 0, -10,
-20, -10, -10, -5, -5, -10, -10, -20]
kingstable = [
20, 30, 10, 0, 0, 10, 30, 20,
20, 20, 0, 0, 0, 0, 20, 20,
-10, -20, -20, -20, -20, -20, -20, -10,
-20, -30, -30, -40, -40, -30, -30, -20,
-30, -40, -40, -50, -50, -40, -40, -30,
-30, -40, -40, -50, -50, -40, -40, -30,
-30, -40, -40, -50, -50, -40, -40, -30,
-30, -40, -40, -50, -50, -40, -40, -30]
通过以下四种方法得到评估函数：
第一步检查游戏是否还在继续。
这个阶段的背后编码逻辑是：如果它在 checkmate 时返回 true，程序将会检查轮到哪方移动。如果当前轮到白方移动，返回值为 - 9999，即上次一定是黑方移动，黑色获胜；否则返回值为 9999，表示白色获胜。对于僵局或比赛材料不足，返回值为 0 以表示平局。
代码实现方式：
代码语言：javascript复制if board.is_checkmate():
if board.turn:
return -9999
else:
return 9999
if board.is_stalemate():
return 0
if board.is_insufficient_material():
return 0第二步，计算总的棋子数，并把棋子总数传递给 material 函数。
代码语言：javascript复制wp = len(board.pieces(chess.PAWN, chess.WHITE))
bp = len(board.pieces(chess.PAWN, chess.BLACK))
wn = len(board.pieces(chess.KNIGHT, chess.WHITE))
bn = len(board.pieces(chess.KNIGHT, chess.BLACK))
wb = len(board.pieces(chess.BISHOP, chess.WHITE))
bb = len(board.pieces(chess.BISHOP, chess.BLACK))
wr = len(board.pieces(chess.ROOK, chess.WHITE))
br = len(board.pieces(chess.ROOK, chess.BLACK))
wq = len(board.pieces(chess.QUEEN, chess.WHITE))
bq = len(board.pieces(chess.QUEEN, chess.BLACK))第三步，计算得分。material 函数得分的计算方法是：用各种棋子的权重乘以该棋子黑白两方个数之差，然后求这些结果之和。而每种棋子的得分计算方法是：该棋子在该游戏实例中所处位置的 piece-square 值的总和。
代码语言：javascript复制material = 100 * (wp - bp) 320 * (wn - bn) 330 * (wb - bb) 500 * (wr - br) 900 * (wq - bq)pawnsq = sum([pawntable[i] for i in board.pieces(chess.PAWN, chess.WHITE)])
pawnsq = pawnsq sum([-pawntable[chess.square_mirror(i)]
for i in board.pieces(chess.PAWN, chess.BLACK)])knightsq = sum([knightstable[i] for i in board.pieces(chess.KNIGHT, chess.WHITE)])
knightsq = knightsq sum([-knightstable[chess.square_mirror(i)]
for i in board.pieces(chess.KNIGHT, chess.BLACK)])bishopsq = sum([bishopstable[i] for i in board.pieces(chess.BISHOP, chess.WHITE)])
bishopsq = bishopsq sum([-bishopstable[chess.square_mirror(i)]
for i in board.pieces(chess.BISHOP, chess.BLACK)])rooksq = sum([rookstable[i] for i in board.pieces(chess.ROOK, chess.WHITE)])
rooksq = rooksq sum([-rookstable[chess.square_mirror(i)]
for i in board.pieces(chess.ROOK, chess.BLACK)])queensq = sum([queenstable[i] for i in board.pieces(chess.QUEEN, chess.WHITE)])
queensq = queensq sum([-queenstable[chess.square_mirror(i)]
for i in board.pieces(chess.QUEEN, chess.BLACK)])kingsq = sum([kingstable[i] for i in board.pieces(chess.KING, chess.WHITE)])
kingsq = kingsq sum([-kingstable[chess.square_mirror(i)]
for i in board.pieces(chess.KING, chess.BLACK)])第四步，计算评价函数，此时将会返回白棋的 material 得分和各棋子单独得分之和。
代码语言：javascript复制eval = material pawnsq knightsq bishopsq rooksq queensq kingsq
if board.turn:
return eval
else:
return -eval
评价函数流程图
移动选择
算法的最后一步是用 Minimax 算法中的 Negamax 实现进行移动选择，Minimax 算法是双人游戏（如跳棋等）中的常用算法。之后使用 Alpha-Beta 剪枝进行优化，这样可以减少执行的时间。
现在让我们深入研究一下 minimax 算法。该算法被广泛应用在棋类游戏中，用来找出失败的最大可能性中的最小值。该算法广泛应用于人工智能、决策论、博弈论、统计和哲学，力图在最坏的情况下将损失降到最低。简单来说，在游戏的每一步，假设玩家 A 试图最大化获胜几率，而在下一步中，玩家 B 试图最小化玩家 A 获胜的几率。
为了更好地理解 minimax 算法，请看下图：
维基百科中 minimax 树举例
为了得到更好的结果，使用 minimax 变体 negamax，因为我们只需要一个最大化两位玩家效用的函数。不同点在于，一个玩家的损失等于另一个玩家的收获，反之亦然。
就游戏而言，给第一个玩家的位置值和给第二个玩家的位置值符号是相反的。
negamax 示例
首先，我们将 alpha 设为负无穷大，beta 设为正无穷大，这样两位玩家都能以尽可能差的分数开始比赛，代码如下：
代码语言：javascript复制except:
bestMove = chess.Move.null()
bestValue = -99999
alpha = -100000
beta = 100000
for move in board.legal_moves:
board.push(move)
boardValue = -alphabeta(-beta, -alpha, depth - 1)
if boardValue > bestValue:
bestValue = boardValue
bestMove = move
if (boardValue > alpha):
alpha = boardValue
board.pop()
return bestMove下面让我们以流程图的方式来解释：
search 函数的流程图
下一步是进行 alpha-beta 的剪枝来优化执行速度。
来自维基百科的 alpha-beta 剪枝说明
代码如下：
代码语言：javascript复制def alphabeta(alpha, beta, depthleft):
bestscore = -9999
if (depthleft == 0):
return quiesce(alpha, beta)
for move in board.legal_moves:
board.push(move)
score = -alphabeta(-beta, -alpha, depthleft - 1)
board.pop()
if (score >= beta):
return score
if (score > bestscore):
bestscore = score
if (score > alpha):
alpha = score
return bestscore现在，让我们用下面给出的流程图来调整 alphabeta 函数：
现在是静态搜索，这种搜索旨在仅评估静态位置，即不存在致胜战术移动的位置。该搜索需要避免由搜索算法的深度限制所引起的水平线效应（horizon effect）。
代码如下：
代码语言：javascript复制def quiesce(alpha, beta):
stand_pat = evaluate_board()
if (stand_pat >= beta):
return beta
if (alpha < stand_pat):
alpha = stand_pat
for move in board.legal_moves:
if board.is_capture(move):
board.push(move)
score = -quiesce(-beta, -alpha)
board.pop()
if (score >= beta):
return beta
if (score > alpha):
alpha = score
return alpha简单总结一下 quiesce 函数：
quiesce 函数流程图。
测试 AI
开始测试前，需要导入一些库：
代码语言：javascript复制import chess.svg
import chess.pgn
import chess.engine
from IPython.display import SVG测试有 3 项：
- AI 对弈人类；
- AI 对弈 AI；
- AI 对弈 Stockfish。
1. AI 对弈人类：
代码语言：javascript复制# use this for computer move
mov = selectmove(3)
board.push(mov)
board# use this for human move, where e5 is the example move
board.push_san("e5")
board
AI 选择从 g1 到 f3，这是一个很明智的选择。
2. AI 对弈 AI：
代码语言：javascript复制count = 0
movehistory = []
game = chess.pgn.Game()
board = chess.Board()
while not board.is_game_over(claim_draw=True):
if board.turn:
count = 1
print(f'n{count}]n')
move = selectmove(3)
board.push(move)
print(board)
print()
else:
move = selectmove(3)
board.push(move)
print(board)
game.add_line(movehistory)
game.headers["Event"] = "Self Tournament 2020"
game.headers["Site"] = "Pune"
game.headers["Date"] = str(datetime.datetime.now().date())
game.headers["Round"] = 1
game.headers["White"] = "Ai"
game.headers["Black"] = "Ai"
game.headers["Result"] = str(board.result(claim_draw=True))
print(game)
SVG(chess.svg.board(board=board,size=400))
3. AI 对弈 Stockfish：
代码语言：javascript复制count = 0
movehistory = []
game = chess.pgn.Game()
board = chess.Board()
engine = chess.engine.SimpleEngine.popen_uci("your_path/stockfish.exe")
while not board.is_game_over(claim_draw=True):
if board.turn:
count = 1
print(f'n{count}]n')
move = engine.play(board, chess.engine.Limit(time=0.1))
movehistory.append(move.move)
board.push(move.move)
print(board)
else:
move = selectmove(3)
movehistory.append(move)
board.push(move)
print(board)
game.add_line(movehistory)
game.headers["Result"] = str(board.result(claim_draw=True))
print(game)
SVG(chess.svg.board(board=board, size=400))
可以得出：AI 还不够智能，不足以打败 stockfish 12，但仍然坚持走了 20 步。
接口测试
上述测试方式看起来代码很多，你也可以写一个接口测试 AI。
代码语言：javascript复制# Remaining imports
import traceback
from flask import Flask, Response, request
import webbrowser
# Searching Ai's Move
def aimove():
move = selectmove(3)
board.push(move)
# Searching Stockfish's Move
def stockfish():
engine = chess.engine.SimpleEngine.popen_uci(
"your_path/stockfish.exe")
move = engine.play(board, chess.engine.Limit(time=0.1))
board.push(move.move)
app = Flask(__name__)
# Front Page of the Flask Web Page
@app.route("/")
def main():
global count, board
ret = '<html><head>'
ret = '<style>input {font-size: 20px; } button { font-size: 20px; }</style>'
ret = '</head><body>'
ret = '<img width=510 height=510 src="/board.svg?%f"></img></br></br>' % time.time()
ret = '<form action="/game/"method="post"><button name="New Game"type="submit">New Game</button></form>'
ret = '<form action="/undo/"method="post"><button name="Undo"type="submit">Undo Last Move</button></form>'
ret = '<form action="/move/"><input type="submit"value="Make Human Move:"><input name="move"type="text"></input></form>'
ret = '<form action="/dev/"method="post"><button name="Comp Move"type="submit">Make Ai Move</button></form>'
ret = '<form action="/engine/"method="post"><button name="Stockfish Move"type="submit">Make Stockfish Move</button></form>'
return ret
# Display Board
@app.route("/board.svg/")
def board():
return Response(chess.svg.board(board=board, size=700), mimetype='image/svg xml')
# Human Move
@app.route("/move/")
def move():
try:
move = request.args.get('move', default="")
board.push_san(move)
except Exception:
traceback.print_exc()
return main()
# Make Ai’s Move
@app.route("/dev/", methods=['POST'])
def dev():
try:
aimove()
except Exception:
traceback.print_exc()
return main()
# Make UCI Compatible engine's move
@app.route("/engine/", methods=['POST'])
def engine():
try:
stockfish()
except Exception:
traceback.print_exc()
return main()
# New Game
@app.route("/game/", methods=['POST'])
def game():
board.reset()
return main()
# Undo
@app.route("/undo/", methods=['POST'])
def undo():
try:
board.pop()
except Exception:
traceback.print_exc()
return main()然后执行：
代码语言：javascript复制board = chess.Board()
webbrowser.open("http://127.0.0.1:5000/")
app.run()
最终输出
原文链接：https://medium.com/dscvitpune/lets-create-a-chess-ai-8542a12afef
