基于QT中国象棋游戏界面设计与实现方案Word下载.docx

基于QT中国象棋游戏界面设计与实现方案Word下载.docx

《基于QT中国象棋游戏界面设计与实现方案Word下载.docx》由会员分享，可在线阅读，更多相关《基于QT中国象棋游戏界面设计与实现方案Word下载.docx（58页珍藏版）》请在冰豆网上搜索。

随着电脑技术及互联网的发展，人们下棋没有了地域限制，人们甚至可以跟电脑对战，于是就产生了人是否能够战胜电脑的疑问。

从很早开始，人们就开始进行棋类博弈的游戏了，而在人工智能领域，机器博弈始终

是一个重要的组成部分。

人们对人工智能的窥探是从棋类博弈游戏开始的，人们在博弈游戏中，对战双方通过对游戏规则的掌握、丰富的经验和知识，使游戏的局面有利于自己，这就是人类的思维过程，于是棋类博弈就成了人工智能的实验品。

对机器博弈的研究取得的成果不仅仅只用在棋类游戏上，而且也已广泛应用于军事、政治、经济等多个领域，给人类带来了极大的社会效益。

国内外研究现状概述

机器棋类博弈的研究最早是从国际象棋开始的，1950年美国著名数学家香农积几十年的研究，找到了编制国际象棋程序的原则方法。

他提出以数的函数评价局面的优劣。

函数的主题是通常一般实力的棋手都能考虑到的一些因素,诸如:

棋子实力重叠兵孤立兵、落后兵的弱点以及车的通路和其他子力的活动性等等。

香农还提出用简化的估计方法剔除次要的变化。

他是计算机国际象棋理论的奠基人。

在数学家和计算机专家的共同努力下20世纪50年代末终于试制出世界上第1台公开与棋手对弈的电子计算机。

1974年，在瑞典的斯德哥尔摩举行了计算机国际象棋的第1届世界冠军赛，8个国家的13种弈棋程序按积分循环制进行比赛，结果苏联的“卡伊赛”程序获得冠军。

最出名的是1997年,卡内基梅隆大学的“深蓝”小组研究开发出“更深的蓝”，挑战人类大师。

最后在全世界目光的关注下，“超级深蓝”击败了棋王卡斯帕罗夫。

成为人工智能历史上里程碑式的事件，也标志着机器博弈的重大成功。

和国际象棋相比，中国象棋机器博弈起步比较晚，八十年代才开始。

1981年张耀腾发表的《人造智慧在电脑象棋上的应用》，是第一篇研究中国象棋机器博弈的文章。

他在他的毕业论文中以残局做实验，提出审局函数为静态子力值，棋子位置值，棋子灵活度值，威胁与保护等四项之和。

1982年廖嘉成发表的《利用计算机象棋的实验》就进了一步，包括开局、中局、残局。

台湾大学的许舜钦教授被称为中国计算机象棋之父。

在他1991年的两篇论文中，总结并介绍了到当时为止几乎所有的搜索算法，他在文中详细阐述了许多算法的不足之处并且解释了人们对这些算法的误解。

这些研究成果为以后计算机象棋的发展做好了铺垫，至今仍在指导着人们进行计算机象棋的研究和实验工作。

到了九十年代，中国象棋计算机博弈开始发展起来，人们研究出了各种博弈软件。

比较有代表性的有台湾的吴身润的《中国象棋》、光谱公司出品的《将族Ⅲ》、晟业编制的《象棋水浒战》等等。

主要研究内容

文章主要是研究中国象棋的人机对弈，包括象棋的界面和引擎部分。

界面主要是方便人与电脑进行交互的可视化界面。

界面包括棋盘区、菜单项和功能按钮区。

主要实现棋子的移动、悔棋、记录棋谱、难度选择等选项功能。

引擎部分主要包括，棋子棋盘的表示即数据结构，走法的生成，局面优劣的评估即评估函数，搜索算法及其优化和改进。

文章设计是采用MFC的框架来实现界面部分,主要用到的MFC类有，CWnd：

窗口，它是大多数“看得见的东西”的父类（Windows里几乎所有看得见的东西都是一个窗口，大窗口里有许多小窗口）。

CDC设备文本。

无论是显示器还是打印机，都是画图给用户看。

这图就抽象为CDC。

CDC与其他GDI（图形设备接口）一起，完成文字和图形、图像的显示工作。

CDialog对话框类，CPen类，CBrush类等等。

象棋对弈其实是一种零和博弈。

双人对弈，轮流走步；

信息完备，双方得到的信息都是一样的；

零和，即对一方有利的棋，对另一方肯定是不利的，不存在对双方均有利或无利的棋。

所以内核代码的思路要用到博弈算法。

对每一个局面所有可能的着法进行考虑，每一步着法会形成新的局面，这样就形成了一颗博弈树。

机器博弈就是要从这颗博弈树中找到最优的分支，即要用到搜索算法对整棵树进行搜索。

而中国象棋的博弈树是一个庞大的集合，如果一毫微秒走一步，也要需要10的一百多次方年才能搜索出必赢的第一步，所以博弈树是不可能穷举的。

人在思索下棋的时候也不可能对棋局所有的可能计算完全，人往往是凭自己的经验、知识对棋面的好坏进行评估。

通过这种思路我们可以给每个局面打一个分数来表示棋局对自己的有利程度。

如果轮到自己落子的时候，一定会选择使局面分数最高的着法，如果轮到对手落子，他一定会选择使你得分最低的局面。

这就是我们经常听到的极大极小值搜索，而对局面进行估分的函数就是评估函数。

极大极小值搜索就是在轮到自己落子的时候选择分数最大的局面，轮到对手落子的时候选择得分最小的局面，这样就使得搜索可以进行，而由于估分的存在我们就可以在搜索进行到可以接受的时间范围内时结束它。

一、系统概述

1.1软件用途

提供了一个PC端的中国象棋游戏。

同时发布了GUI版与CLI版。

其中CLI版为象棋AI部分开发过程中用作测试。

但已经具有完整的人机对弈功能与相对友好的界面。

考虑到有些用户可能相对GUI更偏向命令行操作方式,因此与GUI版本一起发布。

CLI版本只有人机对弈功能,默认黑方（AI）先走。

AI原理与GUI版相同,以下文档只对GUI版作出说明。

如无特殊说明,提到”软件”时,所指均为GUI版本。

软件具有两种模式,双人对弈与人机对弈。

若选择双人对弈,因为此版本暂未开发联机对弈功能,只能双人共用一台PC,红方先走,黑方后走,有一方被将死,即无棋可走时,电脑会自动判定胜负。

若选择人机对弈,默认用户执红子,AI执黑子。

软件可自动判定胜负。

软件在ubuntu13。

04、windows7、windowsXP平台下测试性能良好。

此版本未实现的功能:

长将判负。

即假定红方只剩5个兵与一个将,且全部过河。

黑方只剩一个将与一个车。

则黑方基本不可能将死红方。

但红方必定可在有限步之后将死黑方。

则黑方为自保,最优策略是每一步都用车将红方的军,但无法将其将死。

此时游戏会陷入循环。

在正式象棋比赛中,任何情况下,长将判负。

考虑到主要是面向人机对弈,和棋功能无意义,亦未开发。

此AI与软件作者对弈,目前AI保持不败战绩。

与其他测试者对弈，也是胜多败少。

与作者ipad上的象棋app对弈,互有胜负,但软件AI胜少败多

游戏截图：

进场画面如下图所示：

图1.1进场界面

游戏界面：

图1.2游戏界面

1.2游戏特色

最大可达可接受时间内7层搜索深度,AI具有较高棋力。

游戏固定权值与棋盘位置分值相结合的评估函数。

基于alpha-beta搜索,走法排序后PVS搜索策略。

1.3系统开发过程

软件作者为张哲源与刘豪。

张哲源负责开发系统的AI部分,即局面表示,走法生成,局面评估,Alpha-Beta搜索,搜索策略优化。

刘豪负责系统GUI的设计与实现。

部分GUI设计张哲源亦有参与。

开发过程:

先实现了一个无GUI的搜索策略为alpha-beta剪枝的命令行版本。

再实现了一个基本的GUI版本。

接下来GUI部分开始开发regret/restart/搜索进度条等工作。

AI部分则着重于搜索策略的优化。

六月份开始进行优化,一共经历过两次优化,一次走法栈生成时的自动排序使得Alpha-Beta的可接受搜索深度（在10s左右完成搜索）由depth=5提升到depth=6。

搜索时引入PVS算法,使得可接受的搜索深度增加为7。

文档的GUI部分为刘豪负责写作，AI部分由张哲源负责写作

1.4AI代码阅读提示

AI部分代码在kernel文件夹中，建议用户先阅读global.h，了解声明了哪些全局变量。

则其余代码的算法都不复杂，应当较容易阅读。

二、系统需求说明

2.1系统总体功能

可以实现双人对弈与人机博弈.AI会检查走子的有效性.AI会自动判定胜负

具有悔棋功能.但软件作者一致认为君子有所为有所不为,落子无悔才是值得提倡的.因此对用户悔棋功能设置了一些障碍.用户需连续点击弹出的对话框10次之后,同时接受AI的冷嘲热讽.才允许悔棋.若用户终于决定放弃悔棋.关闭对话框即可.

若选择人机对弈,用户被AI吃子后会提示被吃了哪个子.

可以restart,即棋局进行到中局或是一局终了,用户想要重新玩一局,可点击restart.

若用户被将军,则必须应将,若不应将,则会弹出对话框提醒用户.

人机对战模式中,AI会在被将死之前就认输,即当AI检测到它几步之后必然会被将死,就会提前认输.

可接受的时间内搜索深度可达7层alpha-beta搜索.但是一开始就采用7步搜索无必要.因而设定前5回合（十步）进行5层搜索,5回合之后到25回合（50步）采用6步搜索.若之后用户仍未被将死.将采用7步搜索.

人机对弈模式中，界面右下方会以进度条显示AI已搜索结点的比例。

2.2环境需求

AI部分与GUI部分由两人分工完成.

（一）开发环境

AI部分:

TOSHIBAC600D-01L笔记本电脑.AMDAthlon（tm）IIP320Dual-CoreProcessor,Ubuntu13.04操作系统,使用vim编写,测试程序使用g++4.7.4编译.

AI部分测试功能正确后,交由高楠进行GUI的实现.

GUI开发环境:

AcerAspire4736ZG笔记本电脑.Pentium（R）Dual-CoreCPUT4500，Windows7企业版32位操作系统，使用QtCreator4.8编写

（二）运行环境

在ubuntu13.04及windows7、winXP操作系统下可流畅运行.作者测试游戏所用CPU较为低端,游戏运行仍较为流畅.用户所用CPU性能不错的话,可以考虑一开始就将搜索深度设为6或者7.

2.3系统功能需求

可选的对战模式____双人对弈或人机对弈

启动游戏后,点击相应button,即可选择相应对战模式。

双人对弈：

若选择双人对弈功能,则可双方交替走子.系统会自动检测走子的有效性,不合规则的走子无法走出.

若一方胜利,则系统会弹出对话框告知“black_lose”或是”redlose”.

人机对弈:

选择人机对弈模式之后,默认用户执红子先走.同样会检测走子有效性,同时还会检测红黑双方是否被将军,若被将军,则必须应将,不应将的走法时无效的.即红黑双方的将在游戏过程中并不会真正的被吃掉,只要一方的将被将死,则系统会判定胜负.AI会在被将死之前几步就检测出自己会被将死而无可补救,此时AI会认输.

退出功能:

点击exit按钮,可以退出程序.

restart功能:

点击restart按钮,可重新开始棋局.

悔棋功能:

点击regret按钮,弹出对话框劝用户不要悔棋,用户执意悔棋,则撤销之前两步的走法（红方与黑方的）.

注意：

悔棋是撤销两步走法，因此若是在双人对弈模式，A、B两人对弈，A走出之后要悔棋，必需在B走完之后才能成功。

将军提醒:

用户被将军而不应将时,系统会作出提醒.

进度条:

选择人机对战模式时,机器思考时,界面下方会有进度体啊显示机器搜索的程度.

三、系统设计

3.1系统设计决策

AI

系统设计时,将AI与GUI分开设计.AI根据当前局面进行搜索/决策,产生最优走法,将走法传递给GUI,GUI刷新界面.

GUI部分在用户界面设计部分会有详细说明,此处介绍AI的设计.用户可以通过运行CLI版本的游戏了解AI的整体架构.

AI设计策略:

一切以程序的运行速度为优先考量.

为了说明采用这种编码方式的理由,可以先看一下AI设计完成之后,作者做的一组统计:

开局第一步,共有44种走法,作者统计了不同搜索策略走第一步棋时搜索到的叶结点数目,这里的叶结点数是指真正会去做局面评估的叶结点.被剪枝的叶结点不在其中.

未经走法排序的Alpha-Beta搜索各搜索深度实际搜索叶节点数如下表

表3.1Alpha-Beta节点数

搜索深度

1

2

3

4

5

6

7

结点数

44

1131

27771

308046

6844627

速度无法接受

经过走法排序后的Alpha-Beta搜索各搜索深度实际搜索叶节点数如下表：

表3.2实际搜索叶节点数

84

1660

13653

136914

970891

经过走法排序后采用PVS算法的搜索策略各搜索深度实际搜索叶节点数如下表：

表3.3pvs

12090

114080

889412

6482373

将上表中走法排序后再reverse一次后的PVS搜索策略各搜索深度实际搜索叶节点数如下表：

表3.4reverse一次后的PVS搜索策略各搜索深度实际搜索叶节点数

48

2063

72295

1519640

14700791

注:

PVS算法为先用小窗口的alpha-beta试探,若试探失败,则重新进行搜索.所以排序排的不好,可能访问结点数大于实际结点数,如第三张表中搜索深度为1时,实际有44中走法,却访问了48个结点.

上表中各种搜索策略文档后面会详述,但是用户可以很直观的感受到:

（1）不同搜索策略搜索效率差别很大,甚至可以是数量级上的差异.

（2）搜索量随搜索深度指数上升.

因而AI部分属于高计算量的程序,微小的速度差异会在大量的计算过程中被放大.AI的实质是数学上的决策过程.因而在AI部分编码过程中,没有采用面向对象的设计风格。

因为AI思考的过程本质上是计算过程而非事件直接消息传递的模型。

同时,具体实现上,大量的采用辅助数组等冗余数据结构，以空间换时间。

函数的参数通过全局变量传递/引用传递而非值传递传递.分支结构尽量采用switch-case结构而非if-else结构.

GUI

GUI部分的设计包括一个进场画面，选择对战模式，以及实际游戏的棋盘。

进场画面选择了一个战争的场面，因为象棋是模拟战争的游戏。

棋盘没有采用一般的象棋的木质拟物设计，而是自己手绘设计了棋盘。

棋子也经过重新设计。

红方采用瘦金体，而黑方则采用颜体楷书。

进场画面为游戏《三国策》壁纸，棋盘采用ipad上的app“Paper”绘制。

3.2系统总体设计

3.2.1设计思想

AI与GUI部分分别完成,通过接口实现通信.

AI部分

AI部分采用bottom-up的方法设计,包括局面表示/走法生成/局面评估/将军检测/搜索算法.AI部分代码在kernel文件夹中.kernel文件夹中代码的组织与AI的结构同构.表征局面的数据结构以及其他一些全局变量在global.h中声明,在define_global.cpp中定义.move文件夹中为走法生成的函数.check文件夹中为将军检测函数.eval文件夹中为局面评估函数.search文件夹中为搜索函数.每个文件夹中都有test.cpp及makefile,为相应函数的测试代码.用户可到相应文件夹中运行make,然后执行可执行文件查看测试结果（makefile在linux环境下写成）

AI部分概述:

以长度为256的一维数组表示棋盘,其中90个数字表征棋盘,其余部分为冗余数据,置零.棋盘的表示还有相关冗余数据结构.棋子以数字编码.走法生成函数生成走法,搜索算法调用评估函数,给出局面估值及最佳走法.搜索基于alpha-beta剪枝算法.剪枝效率与遍历走法栈的顺序关系很大,因此生成走法时按照一定规则对走法栈排序.还采用了PVS算法对alpha-beta算法进行优化.

GUI部分

/*****************/

3.2.2系统体系结构

分为AI部分，AI部分没有使用面向对象的方法，只以文字说明。

GUI部分有类图等描述

（一）局面表示

建议用户阅读global.h头文件.其他文件中的代码大抵知道函数功能即可.

表征局面/走法等的数据结构均在global.h中声明,在define_global.cpp中定义.其中shortside表示当前走棋一方,side=0,表示红方,side=1,表示黑方.

局面的表征主要通过两个数组，棋盘数组board和棋子数组piece，这两个数组是等价的，在AI思考过程中保持同步。

之所以设置两个数组，是因为不同情况下使用不同数组更加方便或者运算速度更高。

采用shortboard[256]表征棋盘,非棋盘位置0.棋盘上无棋子的位置也为0.采用256长度的数组,可以方便的像使用二位数组那样使用一维数组,如想要表征第三行第四列,只需使用board[0x34]即可.对每一个棋子,有一个（对兵来说,有两个,红黑有别）合法位置数组,也是长256的一维数组.若棋盘上的一个位置是该棋子的合法位置,则为1,否则则为0.

棋子在board数组中位置为board数组元素下标。

棋盘为9*10，因此是嵌在board数组中。

如图所示3.1：

图3.1棋子

对于棋子，用不同数字表示不同棋子，一个编码数字与一枚棋子一一对应，编码如下表：

表3.5棋子编码

红方

帅

仕

相

马

车

炮

兵

表示数

16

17,18

19,20

21,22

23,24

25,26

27,28,29,30,31

黑方

将

士

象

卒

32

33,34

35,36

37,38

39,40

41,42

43,44,45,46,47

如此，譬如红方将一开始是在上图中c7位置处，则有board[0xc7]=16。

这样编码的好处：

令side_tag=（side==0?

16:

32）

则红方编码&

16==16,红方编码&

32==0,

黑方编码&

16==0,黑方编码&

32==32,

则可非常方便快速的判定棋子颜色.

生成走法栈时,经常需要遍历所有棋子,遍历棋盘数组上10*9的棋盘是非常不经济的.因此在棋盘数组之外引入一个等价的冗余数组——棋子数组shortpiece[48],其中下标0~15无意义.下标16~31表征棋子编码为16~31的棋子（即红方棋子）在棋盘上的位置.32~47表征棋子编码为32~47（即黑方）棋子在棋盘上的位置.

如此，譬如红方将一开始是在上图中c7位置处，则有piece[16]=0xc7;

piece数组初始化如下图:

图3.2piece数组

board数组初始化如下图：

图3.3bord数组初始化

（二）走法生成

中国象棋中，除了车和炮之外，其他棋子的走法都有棋盘上的固定增量（行增量，列增量），因此比较容易处理。

如红方过河的兵，有三个增量（-0x10,+0x01,-0x01），分别对应向前、向右和向左。

则对每一个棋子，设置增量数组，除兵以外的棋子红方黑方增量数组可以公用，除此之外，还要设置合法性数组，如将的合法区域只能在九宫格内。

对于象和马，还要确定马腿、香眼的增量数组。

先介绍相关数据定义，在介绍相关函数。

首先定义了一个mov的class,表征一个走法，在global.h中。

如下图所示：

图3.4定义

Shortfrom为走法起始的棋盘位置,即棋子在board的下标.to为走法目的地址对应棋盘位置.capture为该走法所吃