ChineseChess

Chinese Chess(中国象棋) - A Free iOS App(C & Obj-C & Swift)

73
29
Swift

中国象棋

中国象棋 - iOS App(C & Obj-C & Swift)

App 一览

启动页 & 主页

对弈模块

摆设棋局模块

棋谱模块

联机模块


开发记录

  • 2017.10.11, 正式启动工程.
  • 2018.2.24, 完成联机模块,开始开发AI.
  • 2018.9.27, 可以 按棋谱库走棋,棋谱库目前较小,有待扩展。
  • 2019.2.15, 调试完毕,输出不稳定,原因很复杂。
  • 2019.4.1, AI不稳定性排查,发现置换表、杀手着法、重复局面裁剪会造成不稳定性,将逐步排查。

功能一览

对弈模块

  • 支持人机对弈,可以选择AI等级。
  • 支持立即的悔棋,新局,设置。
  • 支持反转棋盘,反向棋子。
  • 支持背景音乐的开关。

摆设棋局模块

  • 支持清除、初始化棋盘。
  • 支持在合理的格点处移除、摆放一颗棋子。
  • 支持载入棋谱进行对弈。

棋谱模块

  • 支持棋谱的读(演示),保存,删除。
  • 支持棋谱的任意一步跳转,点击即可跳转到这一步的局面。
  • 支持在当前局面跳转对弈。

联机模块

  • 支持两人对弈,通过蓝牙或者局域网。
  • 支持悔棋、认输、提和。
  • 支持新局。

App之AI一览

简单棋规

  • 长将或长捉判负。
  • 双方无进攻棋子判和。
  • 50回合不吃子判和。
  • 相同的局面出现多次判和。

棋谱库

  • 命中棋谱库:AI搜索前,可以查询棋谱库中有没有当前局面对应的着法,如果有的话,就直接拿来用,否则,AI进行搜索。另外,命中不一定是严格的局面对应,可以是左右翻转、红黑翻转,一共尝试搜索4个局面。
  • 扩充棋谱库:棋谱文件分为两种,由每一步记录是否有FEN串来区分的,如果有FEN串,则这样的文件可以用来扩充棋谱库,传入棋谱文件所在的目录路径,这样可以用大量棋谱文件来扩充棋谱库,后期可以搜集大师的比赛棋谱来增强棋力。步骤如下,1. [LunaRecordStack historyFileWithCode:YES]; 2. [LunaRecordVault expandVaultWithDirectory:@“棋谱文件所在的目录”]; 3. [LunaRecordVault writeToFile:@“棋谱库的保存路径”];

棋盘棋子表示

  • 棋盘:长度为256的数组。
  • 棋子:16-31为红方棋子,依次为帥、仕仕、相相、馬馬、車車、炮炮、兵兵兵兵兵,32-47为黑方棋子,类似。

着法生成

  • 短程类:帥仕相馬兵,走法预生成数组,事先计算好的数据。
  • 远程类:車炮,位行位列,以位数据为索引。

着法排序

  • 吃子着法:类似MVV排序。
  • 不吃子着法:按历史表排序。

杀手着法

  • 兄弟局面。仅限于同层,这两个局面的部分好的着法可能是一致的。
  • 考虑什么样的着法?最好的着法或者引发裁剪的着法。

提前退出

  • 和棋裁剪。双方无进攻棋子即可返回。
  • 重复局面裁剪。如果与之前的局面重复了就直接评估。
  • 杀棋裁剪。如果是达到最佳杀棋就直接返回。

哈希启发

  • Zobrist Hash. 一种低概率冲突的键值产生法。
  • Value. 满足一定条件,则可返回该值。
  • Hash Move. 如果要进行着法生成,则可优先使用Hash Move。

搜索算法

  • PVS. Alpha-Beta的改进算法,依赖于良序的着法顺序。
  • 有机结合了各个功能部分。

局面评估

  • 局面预评估:分析局面的状态, 判断局面处于开中局或是残局。开中、残局的子力估值是不一样的。
  • 局面动态评估:在搜索树的叶结点进行动态评估,分为两部分,一是子力位置价值,二是动态估值,动态估值包括缺少仕相的惩罚,馬的控制、牵制、保护,車的威胁、牵制、保护、灵活度,炮的威胁、牵制、保护、空头炮/沉底炮、灵活度的评估。

传统AI的局限性

局限性

  • 局面评估依赖于人类经验。总是需要不断人工完善。
  • 置换表的不稳定性。当不是杀棋时,直接使用value的副作用,可能是输出不稳定的原因之一。
  • 重复局面直接评估的不稳定性。重复局面可能是最顽强的对抗,可能是输出不稳定的另一原因。
  • 其他高级技术的不稳定性。寂静搜索、空着裁剪、选择延伸的副作用(本App没有实现这些技术)。
  • 知识与速度。需要在其中做权衡。

为什么本人浅尝辄止?

  • 能力有限。2015年开始接触,至今才有这些积累,仍有很多不通透之处。
  • 国内资料屈指可数。本人搜到的资料仅有黄晨前辈的网站和兵河五四相关文献。
  • 技术过时。和兵河五四的作者交流一番,本人实现的技术已经是十多年前的了,而且还是初级阶段的传统技术。
  • 希望通过 Deep Learning 来解决这个问题,参照 Alpha-Zero

对现代AI的期待

  • 普及化。在移动端有限的计算能力下,表现较好的效果。
  • 自动化。不依赖过多的人类经验,自动提升棋力。