用Python和Pygame从零打造一个能‘思考’的五子棋AI（附完整代码）
用Python和Pygame从零打造一个能‘思考’的五子棋AI（附完整代码）
五子棋作为中国传统棋类游戏的代表，其规则简单却蕴含深奥的策略思维。当我们将这个古老游戏与现代编程技术结合时，最令人着迷的部分莫过于赋予计算机"思考"能力——让它不再是随机落子，而是能像人类棋手一样分析局势、制定策略。本文将带你用Python和Pygame构建一个具备基础决策能力的五子棋AI，完整代码可直接运行测试。
1. 游戏基础框架搭建
任何游戏开发的第一步都是建立基础框架。对于五子棋而言，我们需要处理三个核心要素：棋盘绘制、棋子渲染和游戏状态管理。
import pygame import numpy as np # 初始化游戏 def init_game(): pygame.init() screen = pygame.display.set_mode((615, 615)) pygame.display.set_caption('五子棋AI对战') screen.fill("#DD954F") # 棋盘底色 # 绘制19x19的棋盘网格 for i in range(19): pygame.draw.line(screen, '#000000', (20, 20 + 32*i), (595, 20 + 32*i), 1) pygame.draw.line(screen, '#000000', (20 + 32*i, 20), (20 + 32*i, 595), 1) # 绘制星位标记 star_points = [(3,3), (9,3), (15,3), (3,9), (9,9), (15,9), (3,15), (9,15), (15,15)] for x, y in star_points: pygame.draw.circle(screen, '#000000', [20 + 32*x, 20 + 32*y], 5) return screen这段代码创建了一个标准的19路五子棋棋盘。我们使用Pygame的绘图功能绘制网格线和九个星位点，这是专业五子棋比赛的标配布局。numpy数组将用于记录棋盘状态：
# 0-空 1-黑棋 2-白棋 board_state = np.zeros((19, 19), dtype=int)2. 游戏核心逻辑实现
2.1 棋子绘制与落子判定
五子棋的棋子需要精致的视觉效果。我们通过绘制渐变色的同心圆来模拟立体感：
def draw_stone(surface, x, y, color): """绘制带立体效果的棋子""" pos_x, pos_y = 20 + 32*x, 20 + 32*y if color == 'black': for i in range(50, 0, -1): alpha = 255 * (i/50) pygame.draw.circle(surface, (alpha, alpha, alpha), (pos_x, pos_y), 15 * (i/50)) else: for i in range(50, 0, -1): alpha = 200 + 55 * (i/50) pygame.draw.circle(surface, (alpha, alpha, alpha), (pos_x, pos_y), 15 * (i/50)) pygame.display.update()落子逻辑需要处理鼠标点击位置到棋盘坐标的转换：
def get_board_position(mouse_pos): """将鼠标坐标转换为棋盘坐标""" x, y = mouse_pos board_x = round((x - 20) / 32) board_y = round((y - 20) / 32) return np.clip(board_x, 0, 18), np.clip(board_y, 0, 18)2.2 胜负判定系统
五子棋的胜负判定需要检查四个方向（水平、垂直、两个对角线）是否有五连珠：
def check_win(board, x, y, player): """检查指定位置是否形成五连珠""" directions = [(1,0), (0,1), (1,1), (1,-1)] # 四个检查方向 for dx, dy in directions: count = 1 # 当前棋子已算1 # 正向检查 nx, ny = x + dx, y + dy while 0 <= nx < 19 and 0 <= ny < 19 and board[nx, ny] == player: count += 1 nx += dx ny += dy # 反向检查 nx, ny = x - dx, y - dy while 0 <= nx < 19 and 0 <= ny < 19 and board[nx, ny] == player: count += 1 nx -= dx ny -= dy if count >= 5: return True return False3. AI决策系统设计
3.1 模式匹配策略库
我们的AI将基于预定义的模式库进行决策。每种模式都有相应的权重，AI会优先匹配高权重模式：
# 模式定义：0-空 1-对手棋 2-AI棋 3-建议落子点 PATTERNS = [ # 防守模式（阻止对手形成五连） ([1,1,1,1,3], 1000), # 对手四连缺一 ([1,1,1,3,1], 1000), ([3,1,1,1,1], 1000), ([1,1,3,1,1], 1000), # 进攻模式（形成自己的四连） ([2,2,2,2,3], 900), # 自己的四连缺一 ([2,2,2,3,2], 900), ([3,2,2,2,2], 900), ([2,2,3,2,2], 900), # 次级进攻/防守模式 ([0,2,2,2,3], 300), # 活三 ([0,1,1,1,3], 350), # 防守活三 ([2,2,3,0,0], 200), # 更多模式可以继续添加... ]3.2 模式匹配算法
AI会扫描整个棋盘，寻找与模式库匹配的情况：
def find_best_move(board, player): """寻找最佳落子位置""" opponent = 3 - player # 对手的棋子类型 best_score = -1 best_move = None # 遍历棋盘每个位置 for x in range(19): for y in range(19): if board[x, y] != 0: # 已有棋子的位置跳过 continue # 检查四个方向 for dx, dy in [(1,0), (0,1), (1,1), (1,-1)]: # 构建5格序列 sequence = [] for i in range(-4, 5): nx, ny = x + i*dx, y + i*dy if 0 <= nx < 19 and 0 <= ny < 19: if i == 0: # 中心位置是建议落子点 sequence.append(3) else: stone = board[nx, ny] # 将棋子转换为模式中的表示 if stone == 0: sequence.append(0) elif stone == player: sequence.append(2) else: sequence.append(1) else: sequence.append(-1) # 边界外 # 检查是否匹配任何模式 for pattern, score in PATTERNS: for i in range(len(sequence) - len(pattern) + 1): match = True for j in range(len(pattern)): if sequence[i+j] != pattern[j]: match = False break if match and score > best_score: best_score = score best_move = (x, y) break return best_move if best_move else random_move(board)3.3 随机落子后备策略
当没有匹配到任何有效模式时，AI会随机选择一个合理位置：
def random_move(board): """随机选择一个空位置""" empty_pos = [(x,y) for x in range(19) for y in range(19) if board[x,y] == 0] return random.choice(empty_pos) if empty_pos else None4. 游戏主循环与AI集成
将上述组件整合到游戏主循环中：
def main(): screen = init_game() board = np.zeros((19, 19), dtype=int) current_player = 1 # 1-玩家(黑) 2-AI(白) game_over = False while True: for event in pygame.event.get(): if event.type == pygame.QUIT: pygame.quit() return if not game_over and current_player == 1 and event.type == pygame.MOUSEBUTTONDOWN: # 玩家落子 x, y = get_board_position(event.pos) if board[x, y] == 0: board[x, y] = 1 draw_stone(screen, x, y, 'black') if check_win(board, x, y, 1): print("玩家获胜!") game_over = True else: current_player = 2 # 轮到AI # AI回合 if not game_over and current_player == 2: pygame.time.delay(500) # AI思考时间 x, y = find_best_move(board, 2) board[x, y] = 2 draw_stone(screen, x, y, 'white') if check_win(board, x, y, 2): print("AI获胜!") game_over = True else: current_player = 1 # 轮回到玩家 if __name__ == "__main__": main()5. AI策略优化方向
虽然我们的基础AI已经具备一定智能，但仍有多个优化方向可以提升其水平：
5.1 评估函数优化
引入更精细的局势评估函数，考虑以下因素：
- 棋型的组合价值（如双三、冲四等）
- 棋盘控制区域
- 先手优势保持
def evaluate_position(board, player): """评估当前棋盘对指定玩家的优势""" score = 0 opponent = 3 - player # 这里可以添加更复杂的评估逻辑 # 例如统计各种棋型出现的次数并加权计算 return score5.2 搜索算法引入
实现简单的搜索算法可以让AI有更长远考虑：
def minimax(board, depth, maximizing_player, alpha, beta): """Minimax算法实现""" if depth == 0 or game_over(board): return evaluate_position(board, 2 if maximizing_player else 1) if maximizing_player: max_eval = -float('inf') for move in generate_moves(board, 2): new_board = make_move(board, move, 2) eval = minimax(new_board, depth-1, False, alpha, beta) max_eval = max(max_eval, eval) alpha = max(alpha, eval) if beta <= alpha: break return max_eval else: min_eval = float('inf') for move in generate_moves(board, 1): new_board = make_move(board, move, 1) eval = minimax(new_board, depth-1, True, alpha, beta) min_eval = min(min_eval, eval) beta = min(beta, eval) if beta <= alpha: break return min_eval5.3 机器学习集成
对于更高级的实现，可以考虑使用强化学习训练AI：
# 伪代码示例 - 使用神经网络评估棋盘 model = load_model('gobang_ai.h5') def neural_evaluate(board): """使用神经网络评估棋盘""" input_data = preprocess_board(board) return model.predict(input_data)6. 完整代码与使用说明
将上述所有组件整合后，我们得到完整的五子棋AI实现。使用时只需运行主程序，黑棋玩家通过鼠标点击落子，白棋AI会自动响应。
# 完整代码见上文各节组合 # 需要安装的依赖：pygame, numpy在实际测试中，这个基础AI已经能够识别基本的进攻和防守机会，能够给初学者带来一定挑战。随着模式库的扩充和评估函数的优化，AI的水平可以进一步提升。