JavaScript中国象棋程序（8） - 进一步优化

在这最后一节，我们的主要工作是使用开局库、对根节点的搜索分离出来、以及引入PVS（Principal Variation Search，）主要变例搜索。

8.1、开局库

这一节我们引入book.js文件。该文件中定义了一个二维数组BOOK_DAT。这个数组就是开局库，保存的数据格式如下：

[lock, mv, vl]

其中，lock = zobristLock >>> 1（无符号右移1位，高位补0）

mv是步骤

vl是权重（随机选择走法的几率，仅当两个相同的lock有不同的mv时，vl的值才有意义，这是为了实现走棋的随机性）。

开局库是按照lock排序的，因此可以用二分查找。找到一项以后，把它前后lock相同的所有项都取出，从中随机选择一个mv。

压缩开局库的容量，所有对称的局面只用一项，所以当一个局面在BOOK_DAT中找不到时，还应该试一下它的对称局面是否在BOOK_DAT中。

8.2、对根节点的特殊处理

现在由于开局库的加入，开局程序的走法具有了一定的随机性。但如果是开局库中没有的局面，程序的走法依然是固定不变的。我们在根节点处，对搜索得到的分值，做小范围的浮动，以此实现走法的随机性。

vlBest += Math.floor(Math.random() * RANDOMNESS) - Math.floor(Math.random() * RANDOMNESS);

其中，RANDOMNESS = 8。新的分值会在区间（vlBest - 8, vlBest + 8 ）浮动。

我们把对根节点的搜索分离出来，这有以下好处：

1、更方便实现走法的随机性

2、没有必要尝试Beta截断(根节点处Beta正无穷)；

3、省略了检查重复局面、获取置换表、空步裁剪等步骤。

8.3、PVS主要变例搜索

经过前面的工作，走法已经得到了很好的排序，好的走法会先被搜索。这是PVS的基础。

 图a                                                                                 图b

假设第一个走法是最好的走法，没有引发剪枝，A点的搜索区间为(0, 100)，走法1得到估值30。由于30  > 0，所以A点的alpha变为30，以后的搜索区间变为(30, 100)，所以B2点的搜索区间为(-100, -30)。

可以进一步大胆地考虑，假设第1个走法就是最好的走法，那么后面走法得到的估值不会落在区间(30, 100)。所以从A点的第2个走法开始，要做的就是验证这种假设，搜索区间为(30, 31)。由于搜索区间很小，搜索速度会很快。返回值vl有3种情况。

（1）、vl <= 30。说明走法不比第1个走法好，假设成立。

（2）、vl >= 100。返回值比A点的原有搜索边界beta还大，应该剪枝，假设成立。

（3）、30 < vl < 100。走法比第1个走法好，假设不成立。

第3种情况时，走法不成立，应该对该走法重新以(30, 100)区间进行搜索。如果得到40，则该走法就是最好的走法，后续搜索又对该走法进行假设验证，区间为(40, 41)。

8.4、长将判负策略

程序会调用repStatus函数，判断局面是否出现重复，以及长将，这在第6节已经介绍。如果出现长将，会得到-BAN_VALUE（其中，BAN_VALUE = MATE_VALUE - 100），再根据杀棋步数做调整。但是由于长将判负并不是对某个单纯局面的评分，而是跟路线有关的，把这个分值直接存入置换表就不太合适了。

我们的解决办法就是：获取置换表时把“利用长将判负策略搜索到的局面”过滤掉。如果某个局面分值在WIN_VALUE(MATE_VALUE - 200)和BAN_VALUE之间，那么这个局面就是“利用长将判负策略搜索到的局面”。如果是通过repStatus函数得到了和棋的分值，会同样被过滤掉。

我们仍旧把“利用长将判负策略搜索到的局面”记录到置换表，因为这些局面提供的最佳走法是有启发价值的。反过来说，如果“利用长将判负策略搜索到的局面”没有最佳走法，那么这种局面就没有必要记录到置换表了。

8.5、核心代码说明

本节的代码可以在 Github 下载，也可以直接clone

git clone -b step-8 https://github.com/Royhoo/write-a-chinesechess-program

Position中新增或修改的主要属性和方法：

（1）、bookMove()

获取开局库中的走法。

Search中新增或修改的主要属性和方法：

（1）、searchRoot(depth)

对根节点的搜索。