当前位置： 首页 > ops >正文

CS课程项目设计4：支持AI人机对战的五子棋游戏

ops 2025/7/22 17:04:47

在CS课程项目设计专栏的上一篇文章，我们介绍了支持AI人机对战的井字棋游戏：

CS课程项目设计3：支持AI人机对战的井字棋游戏-CSDN博客https://blog.csdn.net/weixin_36431280/article/details/149432343?spm=1001.2014.3001.5501理由在于，随着人工智能的火热，AI人机对战的引入显得很有必要，本质上就是引入强化学习的概念了，这也是现在大模型领域比较关心的方向了。

因此，和上述第三个CS课程项目一样，我们继续向现有五子棋代码基础上，增加一个简单的 AI 对手，实现人机对战功能：

CS课程项目设计2：交互友好的五子棋游戏-CSDN博客https://blog.csdn.net/weixin_36431280/article/details/149415017?spm=1001.2014.3001.5501

今天，我们分享第四个CS课程项目：支持AI人机对战的井字棋游戏。欢迎交流（关注公粽子号：AI课程项目笔记本）。

1. 研究背景

五子棋作为一种传统的棋类游戏，规则简单但策略性强，深受大众喜爱。随着计算机技术的发展，开发具备人机对战功能的五子棋游戏成为了一个有趣的研究方向。实现人机对战的五子棋游戏不仅能为玩家提供娱乐，还能作为人工智能算法实践的一个良好载体，例如使用极小极大算法和 Alpha - Beta 剪枝等算法来实现 AI 的决策过程。

2. 研究目的

本代码的主要研究目的是开发一个支持人机对战的五子棋游戏，用户可以与 AI 进行对弈。具体目标包括：

  1. 提供友好的图形用户界面（GUI），方便玩家操作。
  2. 允许玩家设置游戏模式（双人对战或人机对战）和 AI 难度（简单、中等、困难）。
  3. 实现保存和加载游戏进度的功能，方便玩家随时继续游戏。
  4. 为游戏添加音效和动画效果，提升游戏体验。
  5. 运用人工智能算法使 AI 能够做出合理的落子决策。

3. 技术方案

1. 图形用户界面（GUI）

使用 Python 的tkinter库创建游戏的图形用户界面，包括棋盘按钮、玩家信息标签、状态标签和操作按钮等。

本游戏主要设置了双人对战和人机对战两种对战模式，在双人对战模式中，你需要分别设置你和对手的用户昵称，可视化界面如下图所示：

在人机对战模式中，你只需要设置你的用户昵称，可视化界面如下图所示：

2. 游戏逻辑实现

通过二维列表self.board来表示棋盘状态，使用self.current_player来记录当前玩家。在玩家或 AI 落子后，调用check_winner方法检查是否有玩家获胜，调用is_board_full方法检查棋盘是否已满。

3. AI 算法

采用极小极大算法（Minimax Algorithm）并结合 Alpha - Beta 剪枝技术来实现 AI 的落子决策。根据不同的 AI 难度设置不同的搜索深度，以平衡 AI 的计算时间和决策质量。同时，为了避免 AI 计算超时，设置了self.ai_timeout参数，当计算时间超过该值时，AI 会随机选择一个空位落子。

4. 游戏状态保存和加载

使用 JSON 格式将游戏状态（如棋盘状态、当前玩家、落子历史等）保存到文件中，方便后续加载游戏进度。

5. 音效和动画

使用playsound库在玩家落子、获胜、平局和悔棋等情况下播放相应的音效。通过tkinter的update方法和time.sleep函数实现棋子放置和获胜动画效果。

4. 实现流程

1. 初始化

在Gomoku类的__init__方法中，初始化游戏的各种属性，包括棋盘大小、当前玩家、玩家名称、AI 难度等。同时，创建游戏界面组件，如棋盘按钮、状态标签和操作按钮等，并允许用户设置玩家名称。

我们实现了三种AI难度级别（简单、中等、困难），满足不同技能水平玩家的需求，可视化界面如下图所示：

2. 玩家落子

当玩家点击棋盘上的按钮时，调用make_move方法处理玩家的落子操作。该方法会更新棋盘状态、检查游戏是否结束，并切换玩家。如果当前游戏模式为人机对战且轮到 AI 玩家，则调用ai_make_move方法让 AI 落子。

其中，处理玩家点击事件，更新棋盘状态的make_move代码如下所示：

def make_move(self, row, col):"""处理玩家移动"""if self.board[row][col] == ' ' and self.game_active:# 记录当前移动到历史self.move_history.append((row, col, self.current_player))self.undo_button.config(state=tk.NORMAL)  # 启用悔棋按钮# 播放放置音效self.play_sound('place')# 添加放置动画self.animate_cell(row, col)# 更新棋盘数据self.board[row][col] = self.current_player# 更新按钮显示（使用●表示黑棋，○表示白棋）symbol = '●' if self.current_player == 'X' else '○'self.buttons[row][col].config(text=symbol)# 记录上一步self.last_move = (row, col)self.last_move_label.config(text=f"上一步: {self.player_names[self.current_player]} 在位置 {row + 1},{col + 1}")# 检查游戏状态if self.check_winner(self.current_player):self.status_label.config(text=f"{self.player_names[self.current_player]} 获胜！")self.game_active = Falseself.undo_button.config(state=tk.DISABLED)  # 禁用悔棋按钮# 播放胜利音效和动画self.play_sound('win')self.animate_winning_cells()messagebox.showinfo("游戏结束", f"{self.player_names[self.current_player]} 获胜！")elif self.is_board_full():self.status_label.config(text="游戏平局！")self.game_active = Falseself.undo_button.config(state=tk.DISABLED)  # 禁用悔棋按钮# 播放平局音效self.play_sound('draw')messagebox.showinfo("游戏结束", "游戏平局！")else:# 切换玩家self.current_player = 'O' if self.current_player == 'X' else 'X'self.status_label.config(text=f"当前玩家: {self.player_names[self.current_player]}")# 如果是AI玩家且游戏模式为人机对战，则AI落子if self.game_mode == 'human_vs_ai' and self.current_player == self.ai_player:self.status_label.config(text=f"{self.player_names[self.current_player]} 正在思考...")self.root.after(500, self.ai_make_move)  # 延迟500ms开始AI思考，避免界面卡顿

调用ai_make_move方法让 AI 落子的代码如下所示：

def ai_make_move(self):"""AI落子"""if not self.game_active or self.game_mode != 'human_vs_ai' or self.current_player != self.ai_player:returnself.ai_start_time = time.time()self.best_move = None# 根据难度选择不同的搜索深度depth = 1 if self.ai_difficulty == 0 else 3 if self.ai_difficulty == 1 else 5self.initial_depth = depth  # 保存初始深度用于记录最佳落子# 使用极小极大算法寻找最佳落子self.minimax(depth, -float('inf'), float('inf'), True)# 检查是否超时，如果超时则随机选择一个空位current_time = time.time()if current_time - self.ai_start_time > self.ai_timeout or self.best_move is None:# 随机选择一个空位empty_cells = [(r, c) for r in range(self.board_size) for c in range(self.board_size) ifself.board[r][c] == ' ']if empty_cells:self.best_move = random.choice(empty_cells)# 执行落子if self.best_move:row, col = self.best_moveself.make_move(row, col)

可视化界面如下所示：

3. AI 落子

在ai_make_move方法中，根据 AI 难度设置搜索深度，调用minimax方法使用极小极大算法和 Alpha - Beta 剪枝技术寻找最佳落子位置。如果计算超时或未找到最佳位置，则随机选择一个空位落子。

4. 极小极大算法

minimax方法实现了极小极大算法和 Alpha - Beta 剪枝技术。在递归过程中，根据当前玩家的角色（最大化或最小化）选择最优的落子位置。同时，在每次递归调用时检查是否超时，如果超时则提前返回结果。该算法的代码如下所示：

def minimax(self, depth, alpha, beta, is_maximizing):"""极小极大算法，带alpha-beta剪枝和超时检查"""# 检查超时current_time = time.time()if current_time - self.ai_start_time > self.ai_timeout:return -1000 if is_maximizing else 1000# 检查游戏状态if self.check_winner(self.ai_player):return 10000 + depth  # AI获胜if self.check_winner('X' if self.ai_player == 'O' else 'O'):return -10000 - depth  # 玩家获胜if self.is_board_full():return 0  # 平局if depth == 0:return self.evaluate_board()  # 评估当前局面if is_maximizing:max_score = -float('inf')# 获取所有空位并按分数排序（启发式排序）empty_cells = [(r, c) for r in range(self.board_size) for c in range(self.board_size) ifself.board[r][c] == ' ']# 按中心距离排序，优先考虑中心区域empty_cells.sort(key=lambda pos: abs(pos[0] - 7) + abs(pos[1] - 7))for r, c in empty_cells:self.board[r][c] = self.ai_playerscore = self.minimax(depth - 1, alpha, beta, False)self.board[r][c] = ' 'if score > max_score:max_score = scoreif depth == self.initial_depth:  # 记录最佳落子位置self.best_move = (r, c)alpha = max(alpha, score)if beta <= alpha:break  # Beta剪枝# 检查超时current_time = time.time()if current_time - self.ai_start_time > self.ai_timeout:return max_scorereturn max_scoreelse:min_score = float('inf')# 获取所有空位并按分数排序（启发式排序）empty_cells = [(r, c) for r in range(self.board_size) for c in range(self.board_size) ifself.board[r][c] == ' ']# 按中心距离排序，优先考虑中心区域empty_cells.sort(key=lambda pos: abs(pos[0] - 7) + abs(pos[1] - 7))for r, c in empty_cells:opponent = 'X' if self.ai_player == 'O' else 'O'self.board[r][c] = opponentscore = self.minimax(depth - 1, alpha, beta, True)self.board[r][c] = ' 'if score < min_score:min_score = scorebeta = min(beta, score)if beta <= alpha:break  # Alpha剪枝# 检查超时current_time = time.time()if current_time - self.ai_start_time > self.ai_timeout:return min_scorereturn min_score

5. 评估函数

evaluate_board方法用于评估当前棋盘状态的分数，根据 AI 和玩家的连续棋子数给予不同的分数奖励或惩罚，同时对中心位置的棋子给予额外的奖励或惩罚。该算法的代码如下所示：

def evaluate_board(self):"""评估棋盘状态，返回分数"""score = 0ai_player = self.ai_playerhuman_player = 'X' if ai_player == 'O' else 'O'# 评估行、列、对角线directions = [(0, 1), (1, 0), (1, 1), (1, -1)]for row in range(self.board_size):for col in range(self.board_size):if self.board[row][col] == ' ':continue# 检查当前位置在各个方向上的连续棋子for dx, dy in directions:# 计算当前方向上AI和玩家的连续棋子数ai_count, human_count = self.count_consecutive(row, col, dx, dy)# 根据连续棋子数给予分数if ai_count > 0:if ai_count >= 5:  # AI五连score += 100000elif ai_count == 4:  # AI四连score += 10000elif ai_count == 3:  # AI三连score += 1000elif ai_count == 2:  # AI二连score += 100else:  # AI一连score += 10if human_count > 0:if human_count >= 5:  # 玩家五连score -= 100000elif human_count == 4:  # 玩家四连score -= 10000elif human_count == 3:  # 玩家三连score -= 1000elif human_count == 2:  # 玩家二连score -= 100else:  # 玩家一连score -= 10# 中心位置奖励center = self.board_size // 2for r in range(center - 1, center + 2):for c in range(center - 1, center + 2):if 0 <= r < self.board_size and 0 <= c < self.board_size:if self.board[r][c] == ai_player:score += 5elif self.board[r][c] == human_player:score -= 5return score

6. 游戏状态保存和加载

save_game方法将游戏状态保存为 JSON 文件，load_game方法从 JSON 文件中加载游戏状态并恢复

7. 悔棋功能

undo_move方法实现了悔棋功能，将上一步的落子撤销，恢复棋盘状态和玩家信息。悔棋也是一个关键功能，实现代码如下所示：

def undo_move(self):"""悔棋功能"""if not self.move_history:return  # 没有历史记录# 播放悔棋音效self.play_sound('undo')# 恢复上一步row, col, player = self.move_history.pop()self.board[row][col] = ' 'self.buttons[row][col].config(text='', bg='SystemButtonFace')  # 恢复默认背景# 清除获胜高亮if self.winning_cells:for r, c in self.winning_cells:self.buttons[r][c].config(bg='SystemButtonFace')self.winning_cells = []# 更新上一步信息if self.move_history:last_row, last_col, last_player = self.move_history[-1]self.last_move = (last_row, last_col)self.last_move_label.config(text=f"上一步: {self.player_names[last_player]} 在位置 {last_row + 1},{last_col + 1}")else:self.last_move = Noneself.last_move_label.config(text="上一步: 无")# 切换回上一个玩家self.current_player = playerself.status_label.config(text=f"当前玩家: {self.player_names[self.current_player]}")# 重新激活游戏（如果之前结束了）self.game_active = True# 如果没有历史记录了，禁用悔棋按钮if not self.move_history:self.undo_button.config(state=tk.DISABLED)

可视化界面如下所示：

8. 重置游戏

reset_game方法将游戏状态重置为初始状态，清空棋盘和落子历史。

5. 总结

本代码成功实现了一个支持人机对战的五子棋游戏，具备友好的图形用户界面、多种游戏模式和 AI 难度选择、游戏状态保存和加载、悔棋功能以及音效和动画效果。通过使用极小极大算法和 Alpha - Beta 剪枝技术，AI 能够做出合理的落子决策，为玩家提供了一定的挑战。同时，代码的结构清晰，各个功能模块分工明确，便于后续的扩展和维护。然而，代码也存在一些可以改进的地方，例如可以进一步优化 AI 的评估函数，提高 AI 的决策质量；可以添加更多的游戏规则和玩法，增加游戏的趣味性。

6. 项目展示

前面说太多了，最后还是上传个该项目的简要演示视频，供大家了解。

支持AI人机对战的五子棋游戏

http://www.xdnf.cn/news/15927.html

相关文章：

  • 计算机网络中：传输层和网络层之间是如何配合的
  • buntu 22.04 上离线安装Docker 25.0.5（二）
  • 动静态库原理与实战详解
  • Pycaita二次开发基础代码解析：边线提取、路径追踪与曲线固定
  • WebAPIs事件流与事件委托与其他事件
  • 力扣15:三数之和
  • 识别PDF中的二维码
  • Android开发中卡顿治理方案
  • 通俗易懂卷积神经网络（CNN）指南
  • 【PTA数据结构 | C语言版】双连通分量
  • 【Spark征服之路-3.6-Spark-SQL核心编程（五）】
  • 处理excel/wps表格中数值格式的警告的工具和脚本
  • SQL审计、Archery实战记录
  • 代码随想录算法训练营第二十七天
  • 算法训练营DAY37 第九章 动态规划 part05
  • channel_up和lane_up
  • Promise 详解与实现：从原理到实践
  • 【设计模式C#】工厂方法模式（相比简单工厂模式更加具有灵活性和扩展性的工厂模式）
  • Day07_网络编程20250721（网络编程考试试卷）
  • 本地部署Dify、Docker重装
  • JAVA后端开发—— JWT（JSON Web Token）实践
  • 【实践篇】基于.venv 的 ComfyUI 环境同配置迁移：pyvenv.cfg 路径修改法
  • 论文Review Lidar 3DGS Splat-LOAM: Gaussian Splatting LiDAR Odometry and Mapping
  • Ubuntu 22.04 安装 Docker （安装包形式）
  • 使用pymongo进行MongoDB的回收
  • 机器学习中的数据预处理：从入门到实践
  • FastMCP全篇教程以及解决400 Bad Request和session termination的问题
  • IOPaint+CPolar：零公网IP也能搭建专属AI图像编辑平台
  • Git 完全手册：从入门到团队协作实战（3）
  • doker centos7安装1