Gomoku AI 修复：Minimax 必须正确定义胜负评估以防止对手获胜

碧海醫心

发布时间：2026-01-11 14:42:33

576人浏览过

来源于php中文网

原创

Gomoku AI 修复：Minimax 必须正确定义胜负评估以防止对手获胜

本文详解 gomoku（五子棋）ai 中 minimax 算法无法识别并阻止对手必胜局面的根本原因——胜负判断时混淆了玩家身份，导致评估值符号错误；通过修正 `iswinningmove` 的归属判断逻辑与返回值语义，可确保 ai 在任意搜索深度下优先拦截对手的四连、活三等致胜威胁。

在实现 Gomoku（五子棋）的 Minimax AI 时，一个常见但隐蔽的致命缺陷是：AI 能积极进攻（如构建四连、制造双杀），却对人类玩家即将形成的五连视而不见。正如问题中所示，当对手（HUMAN）已在棋盘上形成潜在的“活三”或“冲四”时，AI 并未选择防守落点（如示例中的位置 64），反而执行无关紧要的进攻动作（如 20）。这并非搜索深度不足或启发式函数粗糙所致，而是 胜负状态评估逻辑存在根本性语义错误。

? 根源问题：胜负归属与评分符号错位

关键错误位于 minimax 函数中对终局状态的提前终止判断：

if (isWinningMove(board, opponent, latestRow, latestCol)) {
  const multiplier = player === COMP ? 1 : -1; // ❌ 错误：应基于 opponent 判断！
  return [ WINNING_MOVE * multiplier, latestRow * COLS + latestCol ];
}

这段代码本意是：若上一手棋（由 opponent 落下）直接导致其获胜，则当前节点为终局。但 multiplier 却错误地依据当前轮到谁走（player） 来决定分值正负，而非依据谁真正获胜（opponent）。

✅ 正确逻辑：若 opponent === COMP（即电脑刚赢），该局面对当前 player（人类）是极大劣势 → 应返回大负值（-WINNING_MOVE）；
✅ 若 opponent === HUMAN（即人类刚赢），该局面对当前 player（电脑）是极大劣势 → 应返回大负值（-WINNING_MOVE）；
❌ 原逻辑中 player === COMP ? 1 : -1 实际将人类获胜判为 +WINNING_MOVE（对电脑有利！），彻底反转了胜负语义，导致 AI 主动“欢迎”对手获胜。

✅ 正确修复：按实际获胜方定符号，按逻辑清空无效 move

只需两处修改：

if (isWinningMove(board, opponent, latestRow, latestCol)) {
  // ✅ 修正1：multiplier 由 opponent 决定（COMP 是最大化方，HUMAN 是最小化方）
  const multiplier = opponent === COMP ? 1 : -1;

  // ✅ 修正2：终局无“最佳移动”，返回 -1 表示无效 move，避免误导上层
  return [ WINNING_MOVE * multiplier, -1 ];
}

同时，建议同步修正 depth === 0 分支中的 move 返回值（虽非本问题主因）：

无阶未来模型擂台/AI 应用平台

无阶未来模型擂台/AI 应用平台，一站式模型+应用平台

下载

if (depth === 0) {
  const val = evaluateBoard(board, latestRow, latestCol);
  return [val, -1]; // 非终局也无需返回具体 move，由上层收集
}

? 为什么低深度有时“碰巧有效”？

当 maxDepth = 1 时，AI 仅看一步后局面：若人类落子后直接五连，isWinningMove(..., HUMAN, ...) 触发，原错误逻辑会返回 WINNING_MOVE * (-1) = -100000 —— 这个巨大负值仍能被 min 层捕获并规避。但随着深度增加（如 depth=3），错误评分会在多层传播中被剪枝（alpha-beta）或平均效应削弱，导致防守意图被“淹没”。修复后，所有深度下人类获胜均稳定返回 -100000，确保防守动作始终具备最高优先级。