第三天——进攻防守，视情况而定
在第二天，AI可以防守了，但是我们设计AI绝对不是为了让AI被动挨打，而是适时地主动出击。那么，是时候回答第二天的遗留问题——什么条件下进攻，什么条件下防守？
第二天，我们提出了阴线评估函数的概念，并且成功的利用阴线评估函数指导AI进行防守。那么是不是需要一个新的什么函数来指导进行呢？好吧，在试图构思这个新函数之前，让我们再看看阴线评估函数。
在阴线评估函数中，我们对每个棋子沿8个方向上的连续出现的一种颜色的棋子进行统计。同时将统计结果记录在qiju中，qiju[i][j][k][s]代表棋盘上（i，j）位置是空位置，那么它沿第k个方向连续出现的黑子数目记录在s=0中，白子数目记录在s=1中。然后分别对s=0和s=1进行统计，得到a1[i][j]和a2[i][j]。
好了，加入人先持黑，AI后手持白。那么，在第二天，AI选择的是a1中数值最大的位置落子，意思就是AI认为这个位置潜在威胁最大！！在这里落子可以降低对手的威胁。现在，设a1的最大值为Max1，对应的坐标为（x1，y1）；a2的最大值为Max2，对应的坐标为（x2，y2）。
那么Max2对应的（x2，y2）是不是就是当前对AI最有利的落子位置呢？
就目前的评估函数来说是的。好了，经过简单的回顾阴线评估函数的定义，我们完全没有必要重新定义一个新的评估函数来指导AI进攻，而是充分挖掘一下阴线评估函数，利用Max1和Max2来决策是否进攻就好了。
当Max1>=Max2时，意味着威胁大于优势，AI最好选择防守，否则AI可以选择进攻。落子的位置，如果选择了防守，落子在（x1，y1），否则落子在（x2，y2）。
到目前为止，AI基于我们简陋的阴线评估函数可以自己决定是进攻还是防守，事实证明，基于这个方法，AI的水平算是基本入门了……
我们的AI终于入门了，那么，如何提高AI的决策水平呢？也就是说，仅仅使用阴线评估函数来支撑决策是不够的，我们需要另外一个评估函数来支撑AI决策。这个评估函数将是什么？如何使用，且听下回分解——MinMax算法。
--------------------分割线--------------------
AI的实现代码如下，
void CWuZiQi::AI_2( const int points[16][16], bool first, int oldp[16][16], int newp[16][16], int *nx, int *ny )
{
int i, j;
int x, y;
int x1 = 0, x2 = 0, y1 = 0, y2 = 0;
int qiju[16][16][8][2];
int a1[16][16], a2[16][16];
// current state quick save
for ( i = 1; i <= 15; i++ )
for ( j = 1; j <= 15; j++ )
{
oldp[i][j] = points[i][j];
newp[i][j] = points[i][j];
}
FillMatrix( qiju, 0 );
FillMatrix( a1, 0 );
FillMatrix( a2, 0 );
HowManyInLine( oldp, qiju );
ValueTheChessboardNaive( oldp, qiju, a1, a2 );
//PrintMatrix( qiju );
//PrintMatrix( oldp );
/****************算出分数最高的空位，填写坐标*********************/
for( i = 1; i <= 15; i++ )
for( j = 1; j <= 15; j++ )
{
if( a1[x1][y1] < a1[i][j] )
{x1 = i; y1 = j;} // black
}
for( i = 1; i <= 15; i++ )
for( j = 1; j <= 15; j++ )
{
if( a2[x2][y2] < a2[i][j] )
{x2 = i; y2 = j;} // white
}
if ( first )
{
if ( a1[x1][y1] > a2[x2][y2] )
{x = x1; y = y1;}
else
{x = x2; y = y2;}
newp[x][y] = 1;
}
else
{
if ( a2[x2][y2] > a1[x1][y1] )
{x = x2; y = y2;}
else
{x = x1; y = y1;}
newp[x][y] = 2;
}
*nx = x; *ny = y;
}