在可接受的范围内只能搜到\(depth=2\)的情况，相当于只预测了一轮（MAX下了一次，然后MIN下了一次，再轮到MAX下的时候就要算分了）。这样的层数下算法肯定还是不够聪明，因此得想办法加快。
alpha-beta剪枝算法加速： 前剪枝：在五子棋中，落子的点一般都在别的已经落子的棋子旁边，很容易看出，在当前棋盘的局面下，如果落子在红圈所在的地方肯定是没有意义的，因为其对评估函数的结果不会变得更好。
所以，在遍历的时候，我们可以只考虑目前在棋盘上所有棋子的附近的棋子。换句话说，对于某一个位置，如果其四周都没有棋子的话，就不考虑它，将其剪枝。因此，在上图中只用考虑黑圈中的棋子。这样就达到了前剪枝，节省了大量的时间。
启发式搜索： 启发式搜索的定义：用于生成待搜索位置的函数，在朴素的alpha-beta剪枝中，节点搜索的顺序是按照从下到上，从左往右的顺序进行的。但是深入理解alpha-beta剪枝会发现：节点的值的排列顺序非常的影响alpha-beta剪枝的效率：对于某个节点来说，如果第一个孩子节点就是所有孩子节点的分数的最小值，而该节点又是MIN节点，就可以在第一个节点满足alpha-beta剪枝的条件：\(\alpha>=\beta\)，这样就可以大大增加剪枝的效率。
例如：对于下图中黑圈内的区域，如果叶子节点值为4的节点能和叶子节点值为7的节点顺序互换，那么就可以将叶子节点值为7的节点剪掉，增加了剪枝的效率。
因此，我们需要一个启发式搜索的函数，该函数可以有效的评估哪些落子的点的评估函数值大，哪些落子的点评估函数的值小，这样就可以大大加快剪枝的效率了。
本实验设计的启发式搜索函数：将该函数命名为\(h(x)\)，针对每一个落子的点，遍历经过这个点的行，列，斜线的四个数组，找出相应的对我方有利的棋型然后加分，如果遇到两个以上的三活以及四活，则将\(h(x)\)加一个很大的值，表示优先遍历。
这样的好处是AI可以有效的识别两个三活以及死四以及活四这种必杀棋的情况，并且针对其进行进攻和防守。
实现代码如下：
int partern_count[type_count]={0};//用来存每一个棋子的数量 int sum_score = 0; int b_lr = r+10-l; int b_rl = r+l-4; for(int i = 0;i<type_count;i++)//查找每一种棋型 { string temp_rl; string temp_lr; if(b_rl>=0&&b_rl<=20)//如果不存在，则不考虑 temp_rl = &edge_rl[b_rl][(b_rl-10<0)?0:b_rl-10]; if(b_lr>=0&&b_lr<=20) temp_lr = &edge_lr[b_lr][(10-b_lr<0)?0:10-b_lr]; int count1 = find_count(rows[r],chess_type_all_my[i].ptn.c_str());//行 int count2 = find_count(cols[l],chess_type_all_my[i].ptn.c_str());//列 int count3 = find_count(temp_rl.c_str(),chess_type_all_my[i].ptn.c_str());//左下到右上 int count4 = find_count(temp_lr.c_str(),chess_type_all_my[i].ptn.c_str());//左上到右下 if(i==8) { count1 -= find_count(rows[r],chess_type_all_my[7].ptn.c_str()); count2 -= find_count(cols[l],chess_type_all_my[7].ptn.c_str());//列 count3 -= find_count(temp_rl.c_str(),chess_type_all_my[7].ptn.c_str());//左下到右上 count4 -= find_count(temp_lr.c_str(),chess_type_all_my[7].ptn.c_str());//左上到右下 } if(i==19) { count1 -= find_count(rows[r],chess_type_all_my[18].ptn.c_str()); count2 -= find_count(cols[l],chess_type_all_my[18].ptn.c_str());//列 count3 -= find_count(temp_rl.c_str(),chess_type_all_my[18].ptn.c_str());//左下到右上 count4 -= find_count(temp_lr.c_str(),chess_type_all_my[18].ptn.c_str());//左上到右下 } sum_score+=(count1+count2+count3+count4)*chess_type_all_my[i].my_score; int count5 = find_count(rows[r],chess_type_all_opt[i].ptn.c_str());//行 int count6 = find_count(cols[l],chess_type_all_opt[i].ptn.c_str());//列 int count7 = find_count(temp_rl.c_str(),chess_type_all_opt[i].ptn.c_str());//左下到右上 if(deep==0&&r==6&&l==5) { cout<<count1<<" "<<count2<<" "<<count3<<" "<<count4<<" "<<endl; } int count8 = find_count(temp_lr.c_str(),chess_type_all_opt[i].ptn.c_str());//左上到右下 if(i==8) { count5 -= find_count(rows[r],chess_type_all_opt[7].ptn.c_str());//行 count6 -= find_count(cols[l],chess_type_all_opt[7].ptn.c_str());//列 count7 -= find_count(temp_rl.c_str(),chess_type_all_opt[7].ptn.c_str());//左下到右上 count8 -= find_count(temp_lr.c_str(),chess_type_all_opt[7].ptn.c_str());//左上到右下 } if(i==19) { count5 -= find_count(rows[r],chess_type_all_opt[18].ptn.c_str());//行 count6 -= find_count(cols[l],chess_type_all_opt[18].ptn.c_str());//列 count7 -= find_count(temp_rl.c_str(),chess_type_all_opt[18].ptn.c_str());//左下到右上 count8 -= find_count(temp_lr.c_str(),chess_type_all_opt[18].ptn.c_str());//左上到右下 } sum_score-=(count5+count6+count7+count8)*(chess_type_all_my[i].opt_score); partern_count[i] = count1+count2+count3+count4; } int winner = 0; for(int i=17;i<=23;i++)//如果存在两个以上的两个活三和活四 winner += partern_count[i]; if(winner>1) sum_score+=3000000; h_score.push_back(node{r,l,sum_score}); clear_temp_chess(r,l);//注意要回溯 } 待实现的优化方法： 启发式搜索方法改进能不能在现在得分的基础上加上当前局面的评估函数得分，以此为依据来对要遍历的落子点进行排序。然后只选择最好的前10个节点进行拓展。