当前位置：首页 > news >正文

CS课程项目设计3：支持AI人机对战的井字棋游戏

news 2025/7/20 14:36:56

本课程项目专栏的第一篇文章就介绍了交互友好的井字棋游戏，具体内容可以参考以下这篇帖子：

CS课程项目设计1：交互友好的井字棋游戏_井字棋人机交互-CSDN博客https://blog.csdn.net/weixin_36431280/article/details/149309500?spm=1001.2014.3001.5501随着人工智能的火热，后面突然想到可以尝试加入AI人机对战的功能，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。

今天要分享的是第三个CS课程项目：支持AI人机对战的井字棋游戏，向现有的井字棋游戏代码中添加 AI 对战功能，并且让 AI 的思考下棋时间不超过 10 秒钟，我们可以采用 Minimax 算法来实现 AI 的决策逻辑，同时使用threading模块来限制 AI 的思考时间。

1. 研究背景

井字棋（Tic-Tac-Toe）是一种简单的两人对弈棋类游戏，历史悠久且规则易懂。尽管游戏本身复杂度较低（状态空间有限），但它是研究人工智能决策算法的理想实验平台。传统的井字棋游戏仅支持双人对战，而随着人工智能技术的发展，开发具有智能决策能力的 AI 对手成为可能。通过实现不同难度级别的 AI，不仅能提升游戏的趣味性，还能帮助理解基础的博弈论算法和决策模型。

在人机交互领域，开发一个具有不同难度级别的 AI 对手，可以满足不同技能水平玩家的需求，从初学者到高级玩家都能获得适当的挑战。

2. 研究目的

本项目的主要研究目的是开发一个支持人机对战的井字棋游戏，其中 AI 对手具备以下特性：

不同难度级别：实现三种难度级别（简单、中等、困难），满足不同技能水平玩家的需求。
决策时间限制：确保 AI 的决策时间不超过 10 秒，避免玩家长时间等待。
游戏体验优化：通过动画效果、音效和悔棋功能提升用户体验。
代码可扩展性：设计模块化的代码结构，便于后续添加新功能或改进 AI 算法。

通过这些目标，项目不仅提供了一个可玩的游戏，还为研究 AI 决策算法在实时交互环境中的应用提供了实践案例。

3. 技术方案

3.1 游戏框架

编程语言：Python 3.8
GUI 库：tkinter（Python 内置库，无需额外安装）
多线程处理：使用threading模块实现 AI 决策的异步执行，避免 UI 卡顿
数据存储：使用 JSON 格式保存和加载游戏状态

3.2 AI 决策算法

Minimax 算法：用于实现困难难度的 AI，通过递归搜索游戏树找到最优解。
启发式搜索：中等和简单难度的 AI 基于启发式规则，如优先占据中心位置、阻止对手连成一线等。
随机策略：简单难度的 AI 引入随机性，增加失误概率，使游戏更具挑战性。

3.3 时间控制机制

计时器：在 AI 决策过程中实时监控耗时，超过 10 秒时强制终止搜索并选择当前最优解。
多线程执行：将 AI 决策放在独立线程中执行，确保 UI 响应性。

4. 实现流程

4.1 基础游戏框架实现

界面设计：创建 3×3 网格棋盘、玩家信息显示区和控制按钮。
游戏逻辑：实现落子、胜负判断、平局检测等核心功能。
状态管理：保存棋盘状态、当前玩家、历史记录等信息。

其中，判断胜负和平局条件的代码如下所示：

def check_winner(self, player):"""检查玩家是否获胜，并记录获胜的格子"""# 检查行for row in range(3):if all([self.board[row][col] == player for col in range(3)]):self.winning_cells = [(row, col) for col in range(3)]return True# 检查列for col in range(3):if all([self.board[row][col] == player for row in range(3)]):self.winning_cells = [(row, col) for row in range(3)]return True# 检查对角线if all([self.board[i][i] == player for i in range(3)]):self.winning_cells = [(i, i) for i in range(3)]return Trueif all([self.board[i][2 - i] == player for i in range(3)]):self.winning_cells = [(i, 2 - i) for i in range(3)]return Truereturn False

平局和赢局的可视化界面如下图所示：

保存棋盘状态也是比较关键的一个功能，相当于可以持续保留前面几次游戏的进度，运行代码如下所示：

def save_game(self):"""保存游戏进度"""if not self.move_history:messagebox.showinfo("提示", "游戏尚未开始，无需保存")return# 创建游戏状态字典game_state = {'board': self.board,'current_player': self.current_player,'last_move': self.last_move,'move_history': self.move_history,'winning_cells': self.winning_cells,'player_names': self.player_names,'game_active': self.game_active}# 打开文件对话框file_path = filedialog.asksaveasfilename(defaultextension=".json",filetypes=[("JSON files", "*.json"), ("All files", "*.*")],title="保存游戏进度")if not file_path:return  # 用户取消了保存try:# 将游戏状态保存为JSON文件with open(file_path, 'w') as f:json.dump(game_state, f)messagebox.showinfo("成功", f"游戏进度已保存到 {os.path.basename(file_path)}")except Exception as e:messagebox.showerror("错误", f"保存游戏时出错: {str(e)}")

保持游戏进度的可视化界面如下图所示：

4.2 AI 决策模块实现

Minimax 算法：实现完整的 Minimax 算法，用于困难难度的 AI 决策。
中等难度策略：基于启发式规则，优先选择获胜机会和阻止对手的位置，同时引入 20% 的失误概率。
简单难度策略：30% 概率随机选择位置，70% 概率使用中等难度策略。

其中，用于AI决策的Minimax 算法还附带超时检查，避免当AI难度设置为困难时，AI无法在短时间内做出决策，从而影响游戏体验，该算法实现过程如下所示：

def minimax(self, depth, is_maximizing):"""极小极大算法，带超时检查"""# 检查超时current_time = time.time()if current_time - self.ai_start_time > self.ai_timeout:return -1 if is_maximizing else 1# 检查游戏状态if self.check_winner('O'):return 100 + depth  # AI获胜，深度越大分数越低，鼓励尽快获胜if self.check_winner('X'):return -100 - depth  # 玩家获胜，深度越大分数越低，阻止玩家尽快获胜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')# 遍历所有空位for r in range(3):for c in range(3):if self.board[r][c] == ' ':self.board[r][c] = 'O'  # AI落子score = self.minimax(depth - 1, False)self.board[r][c] = ' '  # 撤销落子if score > max_score:max_score = scoreif depth == self.initial_depth:  # 记录最佳落子位置self.best_move = (r, c)# 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')# 遍历所有空位for r in range(3):for c in range(3):if self.board[r][c] == ' ':self.board[r][c] = 'X'  # 玩家落子score = self.minimax(depth - 1, True)self.board[r][c] = ' '  # 撤销落子if score < min_score:min_score = score# 检查超时current_time = time.time()if current_time - self.ai_start_time > self.ai_timeout:return min_scorereturn min_score

AI人机对手的设置界面如下所示：

4.3 时间限制实现

计时器集成：在 AI 决策过程中记录时间，超过 10 秒时终止搜索。
多线程处理：使用threading.Thread将 AI 决策放在后台线程执行，确保 UI 响应性。

4.4 游戏体验优化

动画效果：为落子和获胜显示添加闪烁动画。
音效系统：添加落子、获胜、平局等事件的音效。
游戏功能扩展：实现悔棋、保存 / 加载游戏等功能。

其中，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)

悔棋的可视化界面如下所示：