【五子棋AI循序渐进】——多线程搜索

      关于多线程搜索，有很多方法来实现，很多文章推荐基于MTD(F)的方式。好处不言而喻，不过我的程序中采用的是基于PVS的多线程搜索。实现起来主要是这几个方面问题需要解决：

1、置换表的互斥访问。

2、局面的复制。

3、线程同步。

逐个说一下这几方面的实现：

1、置换表的互斥访问。

    置换表的作用时保存和读取搜索过的局面。所以使用读写锁即可。代码非常简单，声明一个ReaderWriterLock，在保存置换表时使用写锁，读取时使用读锁。

2、局面复制。

     完整的复制position类，方法有很多，我的代码是创建了一个new函数的重载，然后复制全部值。当然完全可以二进制序列化来创建一个全新对象。这种技术在“3D微观分子模型”一篇中创建球、圆柱模型的副本时使用过。

3、线程同步

     这里涉及到几个方面的问题。

     首先是根节点搜索分离。因为多线程设计时是最基本的从根节点建立线程搜索。根节点搜索函数实际上是一个α-β搜索的简化函数，在程序代码中未使用置换表、内部迭代加深、深度判定等代码，并且将根节点一律视为PV节点处理（不会发生β截断），所以根节点搜索函数只有深度、PV走法两个参数。

     然后是封装搜索函数。因为需要向线程传递多个参数：α、β、PV走法、深度、局面等，所以需要重新封装，以便各个线程搜索中互相独立（不包括共享的置换表）。所以需要建立一个搜索类。

     最后是线程同步。代码现在只写了基础的部分。只是在根节点分离并初始化多个线程搜索类，然后启动全部搜索线程，等待全部线程结束后，按最佳分值找出最佳走法路线进行返回。这里涉及到另一个主要问题，也就是“殊途同归”，这类现象在五子棋中很多，但也不像某些棋类那么多，所以如果能够高效的处理“殊途同归”问题，可以大量减少多线程资源浪费，从而更充分的利用多线程的优势。但是遗憾的是，这部分代码我还么有写。解决“殊途同归”问题，现在的设计思想是使用置换表技术，因为虽然“殊途”，但在“同归”节点上它们就形成了同一局面，这样可以利用置换表技术，当一个线程在搜索时，其他线程就放弃该分支（这意味着需要再定义一个常量和一个调用函数…………因为前几天在优化VCT\VCF逻辑时需要返回路径中断就曾经使用过这种方法，优势是只需要改几行代码），在后续搜索中，搜索该局面的线程会分辨在其分支中这种局面的优劣，优则与其他线程比较，劣则在搜索它的线程中就被淘汰了。所以这种做法是可行的。

    估计这是这系列文章的最后一篇。因为除了一些细节的优化（例如分步或分类生成走法而不一次性生成）暂时还没有新的想法，翻遍了很多参考资料，其中包含了很多近年来一些新的思想和做法，但是绝大多数是与已经应用的技术相同或更落后的一些技术，偶尔看到几篇有启发的研习一番之后发现也都在使用，但属于“殊途同归”，即初衷差不多但是实现角度不同可最终结果基本一致，向“子树复用”技术与正在使用的一项独创启发技术运行过程虽然不相同，但结果基本一致，而且这项启发的复用深度被定义得比“子树复用”要深，而实际实现只有十行代码。

    但是，令人不解的是，即使现在在E5200的CPU上可以达到NPS=80K的程度（如上面所说未优化多线程的“殊途同归”，大约可以比单线程多搜索1层，但非常复杂的局面下甚至没有提高），棋力也不如F6（不开启开局库，而且今天又在的全局VCT中发现了一个问题，真败家）。如果修复了这处错误并且解决多线程“殊途同归”问题再实现了分步生成走法，棋力还与F6棋力相差一些，就非常有必要使用“有害剪裁”和“单步延伸”这样的一些局部搜索方式来解决问题了。