这学期选了人工智能原理，上课的时候完全没搞懂老师要讲什么，所以听课听得云里雾里的，幸好有几个小实验，可以帮助理解人工智能的精髓。
第一个实验就是基于带alpha-beta剪枝的MinMax搜索的五子棋AI设计。好久没有写过MFC界面了，所以在pudn上down了几个例程，测试了一下，选了两个比较规范的工程作为开发的基础。
第一天：Naive AI——一个称不上AI的AI
比对着选好的工程进行复制，在复制的过程中删去一些暂时用不到的功能，就搞出了如下界面。
有了棋盘，让我们开始下棋吧。可是这是我还对五子棋的规则一知半解，是个门外汉。只好采用投石问路的方法，先来个简单的吧，随机生成合法落子位置。
首先将棋盘定义为一个整形的二维数组points[16][16]，0表示空，1表示黑子，2表示白子。为什么是16，只是觉得用1-15比用0-14直观一些，其实模仿程序是这么定义的。
那么，什么样的位置是合法的呢？就是棋盘上满足points[i][j] == 0的（i，j）。这样随机生成1-15之间的任意整数x = rand()%15 + 1; y =rand()%15 + 1;建议在两个语句中间加若干空循环，避免x和y一样，提高“随机性”，虽然这个随机性并不怎么样吧。
这样，一个称不上AI的AI诞生了，我们就叫他Naive吧。
观赏Naive下棋是一种享受，因为他的表现比我还差，我可以很轻易的在五步之内秒杀他。
在解决了有无问题后，应该着眼于提高AI的水平，使其成为真的AI。
如何提高，路在何方？且听下回分解。
--------------------分割线--------------------
“AI”代码如下，
void CWuZiQi::Naive( const int points[16][16], bool first, int oldp[16][16], int newp[16][16], int *nx, int *ny )
{
int x, y;
int k = 0;
// current state quick save
for ( int i = 1; i <= 15; i++ )
for ( int j = 1; j <= 15; j++ )
{
oldp[i][j] = points[i][j];
newp[i][j] = points[i][j];
}
// place a chess on board
do
{
for ( int j = 0; j < 1000; j++ )
for ( int k = 0; k < j; k++ )
;
x = rand() % 15 + 1;
for ( int j = 0; j < 1000; j++ )
for ( int k = 0; k < j; k++ )
;
y = rand() % 15 + 1;
k++;
}while ( oldp[x][y] != 0 || k > 20 );
if ( k >= 20 )
{
*nx = -1; *ny = -1;
return;
}
else
{
*nx = x; *ny = y;
}
if ( first )
{
newp[x][y] = 1;
}
else
{
newp[x][y] = 2;
}
}