一、课设要求

基于A*算法的五子棋博弈系统

A)给出用 A*算法设计实现五子棋博弈的思想与方法。

B)设计实现五子棋博弈交互系统。

C)对不同的格局，以及不同的初始状态和目标状态，记录 A*算法的落棋求解结果。

分析A*算法设计实现五子棋博弈的有效性。

二、代码实现

注：该代码在码者编辑此文档时进行过微调，如有bug可评论或私信，感谢。

2.1 原代码

作者：罗WWEEII (luo_wweeii) - Gitee.com项目链接：gobang_AI: 基于博弈树α-β剪枝搜索的五子棋AI (gitee.com)

因为本人不擅长python，再加上从零开始也很浪费时间，所以直接去gitee上面找的现有代码进行修改。(原作者如有介意请联系删除)

2.2 核心代码

2.2.1 A*算法实现

open表：用于存储待评估的点；closed表：用于记录已经评估过的点；价值：价值越高，越容易获胜；代价：价值取反；

首先，将所有落子的邻接点放入open表中，放入的时候会进行落子评估，获取落子在一个点后的棋局价值；从open表中取出价值最高的点；落子判断，判断当前点是否合法、当前点是否在closed表中、当前搜索是否达到搜索深度（DEPTH）；将当前落子的所有邻接点放入open表，放入前也会进行价值计算；循环第二步至第四步，直到到达循环出口（open表为空，达到递归深度）；

代码：

<code>def a_star_search():

open_list = [] # 所有带搜索的点

closed_set = { } # 记录已经搜索过的点以及其价值评估分数

for point in list3:

neighbors = get_neighbors(point) # 取出所有落子的邻接点

for neighbor in neighbors:

if neighbor in list_all and neighbor not in list3 and neighbor not in closed_set.keys(): # 修改此处检查邻居是否在 closed_set 的键中

# 后续两个append()和remove()是为了评估落下评估点后的棋局状态(但实际还未落下)，所以需要先添加进两个list中，之后再删除

list1.append(neighbor) # 将邻居加入AI列表

list2.append(neighbor) # 将邻居加入人类落子列表

if neighbor not in [node for (_, node) in open_list]: # 检查节点是否已经存在于open列表中

heapq.heappush(open_list, (-evaluation(True), neighbor)) # 将当前点加入open列表

# 从列表中删除刚刚加入的邻居

list1.remove(neighbor)

list2.remove(neighbor)

if not open_list:

return None

while open_list:

# 在a_star_search函数中修改取出具有最小代价的节点的行为

min_cost = min(open_list)[0] # 获取当前最小代价

min_cost_nodes = [node for cost, node in open_list if cost == min_cost] # 找到所有具有最小代价的节点列表

current_node = random.choice(min_cost_nodes) # 从具有相同最小代价的节点列表中随机选择一个节点

open_list.remove((min_cost, current_node)) # 从open_list中移除选择的节点

current_cost = min_cost

if current_node not in closed_set:

if current_node not in list3:

closed_set[current_node] = current_cost # 记录当前点和评估分数

if len(closed_set) >= DEPTH: # 到达搜索深度

max_score_node = min(closed_set, key=closed_set.get) # 找到评估分数最大的点(代价最小,即价值最大)

return max_score_node

neighbors = get_neighbors(current_node)

for neighbor in neighbors:

if neighbor in list_all and neighbor not in list3 and neighbor not in closed_set.keys(): # 修改此处检查邻居是否在 closed_set 的键中

list1.append(neighbor) # 将邻居加入AI列表

list2.append(neighbor) # 将邻居加入列表

if neighbor not in [node for (_, node) in open_list]: # 检查节点是否不在open列表中

heapq.heappush(open_list, (-evaluation(True), neighbor)) # 将节点推入open列表

# 从列表中删除刚刚加入的邻居

list1.remove(neighbor)

list2.remove(neighbor)

# 如果搜索完所有可搜索的点时仍未到达搜索深度，则返回评估分数最大的点

max_score_node = min(closed_set, key=closed_set.get)

return max_score_node

2.2.2 评估函数

1> 评估模型

当某一行/列构成评估模型中的状态时，便相应的累加记分。

# 棋型的评估分数,例：落子为* * 1 1 0 0 0 * * 时的棋型得10分 1为计算分数的对象的棋子,0为可落子的空位置

shape_score = [(10, (1, 1, 0, 0, 0)),

(10, (1, 0, 1, 0, 0)),

(10, (1, 0, 0, 1, 0)),

(50, (0, 1, 1, 0, 0)),

(50, (0, 1, 0, 1, 0)),

(100, (1, 1, 0, 1, 0)),

(100, (0, 0, 1, 1, 1)),

(100, (1, 1, 1, 0, 0)),

(500, (0, 1, 0, 1, 1, 0)),

(500, (0, 1, 1, 0, 1, 0)),

(2000, (0, 1, 1, 1, 0)),

(4000, (1, 1, 1, 0, 1)),

(4000, (1, 1, 0, 1, 1)),

(4000, (1, 0, 1, 1, 1)),

(5000, (1, 1, 1, 1, 0)),

(5000, (0, 1, 1, 1, 1)),

(100000, (0, 1, 1, 1, 1, 0)),

(99999999, (1, 1, 1, 1, 1))]

2> 评估函数

在评估函数中，首先会根据传参，相应的进行待计算棋子列表的初始化，然后计算双方每个落子的每个方向上的得分情况（使用score_all_arr来保证不会对一种得分情况进行重复计算），最后带权相加当前的棋局得分情况。

ratio：进攻的系数；小于1：进攻型、大于1：防守型

# 一个点的价值评估函数

def evaluation(is_ai):

if is_ai:

my_list = list1

enemy_list = list2

else:

my_list = list2

enemy_list = list1

# 算自己的得分

score_all_arr = [] # 得分形状的位置,避免重复计算

my_score = 0

for pt in my_list:# 计算自己的所有点在四个方向上的得分情况

m = pt[0]

n = pt[1]

my_score += cal_score(m, n, 0, 1, enemy_list, my_list, score_all_arr)

my_score += cal_score(m, n, 1, 0, enemy_list, my_list, score_all_arr)

my_score += cal_score(m, n, 1, 1, enemy_list, my_list, score_all_arr)

my_score += cal_score(m, n, -1, 1, enemy_list, my_list, score_all_arr)

# 算敌人的得分

score_all_arr_enemy = []

enemy_score = 0

for pt in enemy_list:

m = pt[0]

n = pt[1]

enemy_score += cal_score(m, n, 0, 1, my_list, enemy_list, score_all_arr_enemy)

enemy_score += cal_score(m, n, 1, 0, my_list, enemy_list, score_all_arr_enemy)

enemy_score += cal_score(m, n, 1, 1, my_list, enemy_list, score_all_arr_enemy)

enemy_score += cal_score(m, n, -1, 1, my_list, enemy_list, score_all_arr_enemy)

total_score = my_score + enemy_score * ratio

return total_score

3> 得分计算

该函数会根据参数，相应的查找传入点的传入方向上的前后共十一个位置，优先记录该方向上得分最高的相应得分棋型。同时这里还增加了部分特判规则，当待查找的点落入棋盘外时，会调整直接进入下一次循环，避免无效查询。

# 一个方向上的分值计算

def cal_score(m, n, x_direct, y_direct, enemy_list, my_list, score_all_arr):

add_score = 0 # 加分项

# 在一个方向上， 只取最大的得分项

max_score_shape = (0, None)

# 如果此方向上，该点已经有得分形状，不重复计算

for item in score_all_arr:

for pt in item[1]:

if m == pt[0] and n == pt[1] and x_direct == item[2][0] and y_direct == item[2][1]:

return 0

# 在落子点 左右方向上循环查找得分形状

for offset in range(-5, 1):

# offset = -2

pos = []

found_valid_pos = False # 布尔变量用于记录是否找到有效位置

for i in range(0, 6):

next_pos = (m + (i + offset) * x_direct, n + (i + offset) * y_direct)

if not (0 <= next_pos[0] <= COLUMN and 0 <= next_pos[1] <= ROW) and i != 5:

found_valid_pos = True # 如果存在不满足条件的情况，设置布尔变量为 True

break

if next_pos in my_list:

pos.append(1)

elif next_pos in enemy_list:

pos.append(2)

else:

pos.append(0)

if found_valid_pos: # 检查布尔变量是否为真

continue # 如果找到无效位置，跳出内层循环

tmp_shap5 = (pos[0], pos[1], pos[2], pos[3], pos[4])

tmp_shap6 = (pos[0], pos[1], pos[2], pos[3], pos[4], pos[5])

for (score, shape) in shape_score:

if tmp_shap5 == shape or tmp_shap6 == shape:

if tmp_shap5 == (1, 1, 1, 1, 1):

print('到达赛点咯!')

if score > max_score_shape[0]: # 棋型记录

max_score_shape = (score, ((m + (0 + offset) * x_direct, n + (0 + offset) * y_direct),

(m + (1 + offset) * x_direct, n + (1 + offset) * y_direct),

(m + (2 + offset) * x_direct, n + (2 + offset) * y_direct),

(m + (3 + offset) * x_direct, n + (3 + offset) * y_direct),

(m + (4 + offset) * x_direct, n + (4 + offset) * y_direct)),

(x_direct, y_direct))

# 计算两个形状相交， 如两个3活 相交， 得分增加 一个子的除外（该代码为原作者代码，此处暂做保留，但码者并未详看，所以暂不做注解）

if max_score_shape[1] is not None:

for item in score_all_arr:

for pt1 in item[1]:

for pt2 in max_score_shape[1]:

if pt1 == pt2 and max_score_shape[0] > 10 and item[0] > 10:

add_score += item[0] + max_score_shape[0]

score_all_arr.append(max_score_shape)

return add_score + max_score_shape[0]

2.2.3 难度设置

通过难度设置，可以动态的调整A*算法的搜索深度，以达到更加的搜索结果。

这里通过添加了三个按钮，监听点击事件，当相应的点击到了按钮所在区域后，执行相应逻辑代码，否则保持监听

def set_difficulty(win):

global DEPTH # 搜索深度

button_width = 80

button_height = 20

button_spacing = 100

button_y = win.getHeight() / 2 - button_height / 2

buttons = []

button_labels = ["简单", "中等", "高级"]

depths = [1, (ROW + 1) * (COLUMN + 1) * 0.3, (ROW + 1) * (COLUMN + 1)]

button_x1 = (win.getWidth() - 3 * button_spacing) / 2

for label, depth in zip(button_labels, depths): # 显示按钮

button_x2 = button_x1 + button_width

button = Rectangle(Point(button_x1, button_y), Point(button_x2, button_y + button_height))

button.setFill('light gray')

button_text = Text(Point((button_x1 + button_x2) / 2, button_y + button_height / 2), label)

button.draw(win)

button_text.draw(win)

buttons.append((button, button_text, depth))

button_x1 += button_spacing

clicked = False

while not clicked:

click_point = win.getMouse()

x = click_point.getX()

y = click_point.getY()

for button, _, depth in buttons: # 遍历所有难度按钮

button_x1, button_x2 = button.getP1().getX(), button.getP2().getX()

button_y1, button_y2 = button.getP1().getY(), button.getP2().getY()

if button_x1 < x < button_x2 and button_y1 < y < button_y2: # 判断是否点击的当前按钮

DEPTH = depth

clicked = True

break

if 210 <= x <= 290 and 10 <= y <= EXTRA_HEIGHT - 10: # 玩家点击了退出按钮

win.close()

return True

for button, button_text, _ in buttons:

button.undraw() # 删除按钮

button_text.undraw() # 删除按钮文本

return False

2.2.4 重置游戏

重置游戏的逻辑就是清空所有数据，重新初始化相关图形化界面。

def reset_game(win):

# 清空棋盘列表和图形

list1.clear()

list2.clear()

list3.clear()

for item in win.items[:]:

item.undraw()

# 重新绘制额外部分

extra_part = Rectangle(Point(0, 0), Point(COLUMN * GRID_WIDTH, EXTRA_HEIGHT))

extra_part.setFill('light blue')

extra_part.draw(win)

# 重新绘制按钮

reset_button = Rectangle(Point(10, 10), Point(90, EXTRA_HEIGHT - 10))

reset_button.setFill('light gray')

reset_button.draw(win)

reset_text = Text(Point(50, EXTRA_HEIGHT / 2), "重置游戏")

reset_text.draw(win)

undo_button = Rectangle(Point(110, 10), Point(190, EXTRA_HEIGHT - 10))

undo_button.setFill('light gray')

undo_button.draw(win)

undo_text = Text(Point(150, EXTRA_HEIGHT / 2), "悔棋")

undo_text.draw(win)

quit_button = Rectangle(Point(210, 10), Point(290, EXTRA_HEIGHT - 10))

quit_button.setFill('light gray')

quit_button.draw(win)

quit_text = Text(Point(250, EXTRA_HEIGHT / 2), "退出游戏")

quit_text.draw(win)

# 重新绘制棋盘的水平线条

for j in range(ROW + 1):

line_horizontal = Line(Point(0, j * GRID_WIDTH + EXTRA_HEIGHT),

Point(COLUMN * GRID_WIDTH, j * GRID_WIDTH + EXTRA_HEIGHT))

line_horizontal.draw(win)

# 重新绘制棋盘的垂直线条

for i in range(COLUMN + 1):

line_vertical = Line(Point(i * GRID_WIDTH, EXTRA_HEIGHT),

Point(i * GRID_WIDTH, ROW * GRID_WIDTH + EXTRA_HEIGHT))

line_vertical.draw(win)

return set_difficulty(win)

2.2.5 悔棋

悔棋通过动态的删除AI和人类相关list最顶上的元素，从而实现悔棋的效果。

def undo_move(win):

global move_hint

global player_wins

# 移除当前的红色圆圈（如果存在）

if move_hint:

move_hint.undraw()

if list1 and not player_wins:

last_ai_move = list1.pop()

list3.remove(last_ai_move)

x, y = last_ai_move

for item in win.items[:]:

if isinstance(item, Circle):

if item.getCenter().getX() == x * GRID_WIDTH and item.getCenter().getY() == y * GRID_WIDTH + EXTRA_HEIGHT:

item.undraw()

break

if list2:

last_human_move = list2.pop()

list3.remove(last_human_move)

x, y = last_human_move

for item in win.items[:]:

if isinstance(item, Circle):

if item.getCenter().getX() == x * GRID_WIDTH and item.getCenter().getY() == y * GRID_WIDTH + EXTRA_HEIGHT:

item.undraw()

break

# 如果还有AI的落子记录，更新红色圆圈的位置

if list1:

last_ai_move = list1[-1]

x, y = last_ai_move

move_hint = Circle(Point(GRID_WIDTH * x, GRID_WIDTH * y + EXTRA_HEIGHT), 16)

move_hint.setOutline('red')

move_hint.setWidth(3)

move_hint.draw(win)

player_wins = False

2.2.6 落子提示

落子提示通过记录一个全局变量，动态记录当前需要进行提示的棋子，主要的提示显示与提示撤销逻辑在主函数中。但是需要注意，在悔棋的函数中也需要动态的对该全局变量进行修改。

# 移除上一个玩家的落子提示圆圈（如果有的话）

if move_hint:

move_hint.undraw()

# 创建新的落子并设置为落子提示

piece = Circle(Point(GRID_WIDTH * pos[0], GRID_WIDTH * pos[1] + EXTRA_HEIGHT), 16)

piece.setFill('white')

piece.draw(win)

move_hint = Circle(Point(GRID_WIDTH * pos[0], GRID_WIDTH * pos[1] + EXTRA_HEIGHT), 16) # 创建落子提示圆圈

move_hint.setOutline('red') # 设置提示圆圈颜色为红色

move_hint.setWidth(3) # 设置提示圆圈的线宽

move_hint.draw(win) # 绘制落子提示圆圈

def undo_move(win):

global move_hint

global player_wins

# 移除当前的红色圆圈（如果存在）

if move_hint:

move_hint.undraw()

# 如果还有AI的落子记录，更新红色圆圈的位置

if list1:

last_ai_move = list1[-1]

x, y = last_ai_move

move_hint = Circle(Point(GRID_WIDTH * x, GRID_WIDTH * y + EXTRA_HEIGHT), 16)

move_hint.setOutline('red')

move_hint.setWidth(3)

move_hint.draw(win)

2.3 总体流程

首先创建一个游戏对象，该对象用于后续的相关函数传参，然后进行相应变量的初始化。随后进入main中的主要循环，该循环使用变量change来记录当前应该哪一方进行落子，在相应的落子逻辑中会先进行游戏胜利的判断：若游戏胜利则弹出弹框，反之进行落子显示。其中还包含了不少的逻辑分支，在此不进行一一列举，详见注解。

def main():

win = gomokuwin() # 游戏对象

for i in range(COLUMN + 1):

for j in range(ROW + 1):

list_all.append((i, j)) # list_all表示所有可进行落子的点

if set_difficulty(win): # 初始时先进行难度设置，返回值为真时表示点击了退出游戏

return

change = 0 # 表示当前的落子方

global move_hint # 落子提示

while 1:

if change % 2 == 1:

# 如果玩家或AI已经获胜，则跳过当前回合

if game_win(list1) or game_win(list2):

change += 1

continue

# 调用AI算法找到下一步落子位置

pos = a_star_search()

# 如果落子位置为 None，表示没有可落子的位置，游戏平局（该分支未测试）

if pos is None:

messagebox.showinfo("游戏结束", "平局！")

change += 1

break

# 移除上一个玩家的落子提示圆圈（如果存在的话）

if move_hint:

move_hint.undraw()

# 将AI的落子位置加入列表中

list1.append(pos)

list3.append(pos)

# 创建新的落子并设置为落子提示

piece = Circle(Point(GRID_WIDTH * pos[0], GRID_WIDTH * pos[1] + EXTRA_HEIGHT), 16)

piece.setFill('white')

piece.draw(win)

move_hint = Circle(Point(GRID_WIDTH * pos[0], GRID_WIDTH * pos[1] + EXTRA_HEIGHT), 16) # 创建落子提示圆圈

move_hint.setOutline('red') # 设置提示圆圈颜色为红色

move_hint.setWidth(3) # 设置提示圆圈的线宽

move_hint.draw(win) # 绘制落子提示圆圈

# 如果AI获胜，则显示游戏结束信息

if game_win(list1):

messagebox.showinfo("游戏结束", "你输了！")

change += 1

else:

click_point = win.getMouse() # 获得当前鼠标点击的点坐标

x = click_point.getX()

y = click_point.getY()

# 检查点击位置是否在按钮区域内

if 10 <= x <= 90 and 10 <= y <= EXTRA_HEIGHT - 10:

# 重置游戏

if reset_game(win):

return

continue

elif 110 <= x <= 190 and 10 <= y <= EXTRA_HEIGHT - 10:

# 悔棋

undo_move(win)

continue

elif 210 <= x <= 290 and 10 <= y <= EXTRA_HEIGHT - 10:

# 退出游戏

win.close()

return

# 如果点击事件在棋盘区域内且位置合法(落子点未存在棋子)

elif y > EXTRA_HEIGHT and not (

(round(x / GRID_WIDTH), round((y - EXTRA_HEIGHT) / GRID_WIDTH)) in list3) and not game_win(

list1) and not game_win(list2):

# 记录棋子

a2 = round(x / GRID_WIDTH)

b2 = round((y - EXTRA_HEIGHT) / GRID_WIDTH)

list2.append((a2, b2))

list3.append((a2, b2))

# 移除上一个玩家的落子提示圆圈（如果有的话）

if move_hint:

move_hint.undraw()

# # 创建新的落子并设置为落子提示

piece = Circle(Point(GRID_WIDTH * a2, GRID_WIDTH * b2 + EXTRA_HEIGHT), 16)

piece.setFill('black')

piece.draw(win)

move_hint = Circle(Point(GRID_WIDTH * a2, GRID_WIDTH * b2 + EXTRA_HEIGHT), 16) # 创建落子提示圆圈

move_hint.setOutline('red') # 设置提示圆圈颜色为红色

move_hint.setWidth(3) # 设置提示圆圈的线宽

move_hint.draw(win) # 绘制落子提示圆圈

# 如果玩家获胜，则显示游戏结束信息

if game_win(list2):

messagebox.showinfo("游戏结束", "你赢了！")

global player_wins

player_wins = True

change += 1

win.close()

2.4 效果实现

这里附上部分游戏运行截图：

开始游戏：

落子：

游戏结束：

游戏结束后仅支持点击上方的三个按钮，直接关闭窗口会报错，因为没有按照正常流程进行操作，后台线程还在运行。游戏结束后还可以直接悔棋重寻神之一手。

三、源码链接

代码地址：人工智能课设——基于A*算法的五子棋博弈系统（Python实现） (gitee.com)

直接拉取下来大概率跑不了（环境问题），建议自己本地创建python环境，然后将两个主要的文件（ gomoku.py、graphics.py）拷贝到自己的项目中运行

不熟悉gitee的可按如下操作：

点击链接进入gitee相关页面点击“克隆/下载”

点击下载ZIP