基于Kivy与Minimax算法的Python井字棋AI无法拦截玩家走子问题求解

问题核心原因及修复方案 #

排查代码后共发现3个致命逻辑错误直接导致AI无法正常工作：

• 第一：check_victory 函数未检测行的胜负状态，仅检测了列和对角线，导致AI完全无法识别玩家凑齐行的获胜趋势，自然不会做拦截
• 第二：max_play 函数生成下一步状态时未对原始棋盘做拷贝，直接修改了遍历用的棋盘状态，导致后续递归逻辑全部错乱
• 第三：估值函数evaluate的返回值未结合搜索深度，所有获胜/失败场景分值完全相同，导致AI在多个可选走法中只会选择遍历到的第一个，表现出随机落子的规律

具体修改步骤

1. 修复check_victory函数，补充行胜负检测逻辑，同时将浮点数除法替换为整除避免精度问题：

def check_victory(self, array):
    # 新增行求和检测
    row_sum = np.sum(array, axis=1)
    for r in row_sum:
        if r % 10 == 3:
            return 'Player'
        if r // 10 == 3:
            return 'Computer'
    temp1 = array
    temp2 = np.rot90(array)
    column1 = np.sum(temp1, axis=0)
    column2 = np.sum(temp2, axis=0)
    diagonal1 = np.diag(temp1).sum()
    diagonal2 = np.diag(temp2).sum()
    for i in range(3):
        if column1[i] % 10 == 3 or column2[i] % 10 == 3:
            return 'Player'
        if column1[i] // 10 == 3 or column2[i] // 10 == 3:
            return 'Computer'
    if diagonal1 % 10 == 3 or diagonal2 % 10 == 3:
        return 'Player'
    if diagonal1 // 10 == 3 or diagonal2 // 10 ==3:
        return 'Computer'
    return 'None'

2. 修复max_play函数的状态拷贝问题，生成克隆棋盘时调用copy()方法：

def max_play(self, game_state, level):
    if self.check_victory(game_state) == 'Computer' or level == 0:
        return self.evaluate(game_state, level)
    moves = self.find_moves(game_state)
    best_score = float('-inf')
    for move in moves:
        # 新增copy()调用，避免修改原棋盘
        clone = self.next_state(game_state.copy(), move[0], move[1], 'Computer')
        score = self.min_play(clone, level - 1)
        if score > best_score:
            best_score = score
    return best_score

3. 优化evaluate函数，结合搜索深度调整分值，让AI优先选择最快获胜、最慢落败的走法：

def evaluate(self, array, level):
    if self.check_victory(array) == 'Player':
        # 玩家获胜分值为负，深度越小玩家赢的越快，分值越低
        return -10 - level
    if self.check_victory(array) == 'Computer':
        # AI获胜分值为正，深度越小AI赢的越快，分值越高
        return 10 + level
    return 0

4. 同步修改min_play函数中调用evaluate的参数，传入当前深度：

def min_play(self, game_state, level):
    if self.check_victory(game_state) == 'Player' or level == 0:
        return self.evaluate(game_state, level)
    moves = self.find_moves(game_state)
    best_score = float('inf')
    for move in moves:
        clone = self.next_state(game_state.copy(), move[0], move[1], 'Player')
        score = self.max_play(clone, level - 1)
        if score < best_score:
            best_score = score
    return best_score

修改完成后AI即可正常识别获胜/拦截场景，不会再出现随机落子的问题。

内容的提问来源于stack exchange，提问作者Amir Ben Bassat