如何让国际象棋Negamax算法优先选择决策树浅层的吃子及优质走法？附局面异常问题排查

阿华AIGC实验室

2026-4-28

分析你的国际象棋引擎吃子优先问题

首先，我们先明确你遇到的核心问题：在深度<3时引擎选择正确的Qxh5吃子，但深度≥3时却偏好Qh2——尽管后续也能吃子，但这不符合你希望优先选择浅层吃子的预期。结合你的代码，我发现几个关键的潜在问题和解决方案：

1. 评估值平局导致的着法选择偏差

从你的评估函数和给定局面来看，Qxh5和Qh2两条路径的最终评估值是完全相同的：

直接走Qxh5后，黑方吃掉白兵，子力差为后（900分）减去白方无其他子，评估值为900。
走Qh2后，白方走任意合法着法（比如Kc6），黑方再走Qxh5，此时评估值同样是900。

当两个着法的评估值相同时，引擎的选择完全取决于着法遍历顺序。虽然你用了MVV_LVA排序，但Qxh5的得分（11分）仅比非吃子的Qh2（0分）高一点——如果有其他干扰因素（比如排序稳定性、某些边缘着法的得分异常），就可能导致Qh2被意外优先选择。

2. MVV_LVA的吃子优先级不够绝对

你的MVV_LVA实现逻辑是对的，但吃子着法的得分优势不够明显。非吃子着法得0分，而Qxh5仅得11分，这种微弱的差距不足以保证吃子着法在所有情况下都排在非吃子着法前面。

针对性解决方案

方案一：强化吃子着法的排序优先级

修改你的scoreMove函数，给所有吃子着法添加一个固定的高分基础奖励，确保它们绝对优先于非吃子着法：

int scoreMove (const Board& context, const Move& move) {
    int moveScoreGuess = 0;
    Piece victim = context.getPieceAt(move.getDestination());
    if (victim.type != PieceTypes::NONE) {
        moveScoreGuess += 1000; // 给所有吃子着法加基础高分，确保优先级
        moveScoreGuess += MVV_LVA[victim.type][context.getPieceAt(move.getOrigin()).type];
    }
    moveScoreGuess += BoardEvaluator::pieceValues[move.getPromotedPiece()];
    return moveScoreGuess;
}

这样Qxh5的得分会变成1011，远高于Qh2的0分，排序后一定会被优先搜索。即使评估值相同，引擎也会先选择它作为最优着法。

方案二：在最优着法选择时优先吃子

如果不想修改排序逻辑，可以在外部选择最优着法的代码中，当遇到评估值相同的着法时，强制优先选择吃子着法：

Move bestMove;
int bestValue = -1e9;
for (auto move : moves) {
    positionToSearch.executeMove(move);
    int currentValue = -negamaxSearch(positionToSearch, depth - 1, -beta, -alpha);
    positionToSearch.unmakeMove();

    bool isCapture = positionToSearch.getPieceAt(move.getDestination()).type != PieceTypes::NONE;
    bool currentIsBetter = currentValue > bestValue;
    bool sameValueButCapture = (currentValue == bestValue) && isCapture && 
                               (bestMove.isValid() && positionToSearch.getPieceAt(bestMove.getDestination()).type == PieceTypes::NONE);

    if (currentIsBetter || sameValueButCapture) {
        bestValue = currentValue;
        bestMove = move;
    }
}

这样即使评估值完全相同，吃子着法也会替换非吃子着法成为最终的最优选择。

方案三：给即时吃子添加微小评估奖励

你担心破坏Negamax的对称性，那可以在静态评估时给刚完成吃子的局面加一个极小的奖励（比如5分），这样直接吃子的评估值会比后续吃子高一点，引擎会自然优先选择。这个奖励要足够小，不会影响正常的子力评估，只是打破平局：

// 先在Board类中添加字段记录上一步是否是吃子
// 比如：bool lastMoveWasCapture = false; 在executeMove时更新这个值

int BoardEvaluator::evaluateSimple (const Board& board) {
    int baseValue = evaluateSimpleOneSide(board, board.getTurn()) - evaluateSimpleOneSide(board, flip(board.getTurn()));
    if (board.lastMoveWasCapture()) {
        baseValue += 5; // 给刚吃子的局面加微小奖励，不破坏对称性
    }
    return baseValue;
}

这个方法不会破坏Negamax的对称性，因为双方的吃子都会获得同等奖励，符合算法要求。