保姆级教程：用Python+Pygame写个五子棋，并教你如何优化棋子的绘制和胜负判断逻辑

Python+Pygame五子棋进阶：从图形优化到算法重构

五子棋作为一款经典策略游戏，其Python实现看似简单，但要让游戏体验和专业度达到商业级水准，需要解决诸多技术细节。本文将聚焦三个核心优化方向：棋子视觉效果提升、胜负判断算法重构和代码结构工程化，带您从"能用"到"好用"的进阶之路。

1. 图形渲染优化：打造专业级视觉效果

原始实现中通过50个同心圆叠加绘制棋子的方法虽然可行，但存在性能损耗大、边缘锯齿明显的问题。我们采用Pygame的高级绘图功能进行全方位优化。

1.1 抗锯齿与渐变渲染

def draw_antialiased_circle(surface, color, center, radius): """使用高斯模糊实现抗锯齿效果""" circle_surface = pygame.Surface((radius*2+4, radius*2+4), pygame.SRCALPHA) pygame.draw.circle(circle_surface, color, (radius+2, radius+2), radius) blurred = pygame.transform.gaussian_blur(circle_surface, radius=2) surface.blit(blurred, (center[0]-radius-2, center[1]-radius-2))

关键优化点对比表：

1.2 材质光照模拟

通过HSL色彩空间转换模拟真实棋子材质：

def draw_stone(x, y, stone_type): base_color = (40, 40, 40) if stone_type == 'black' else (220, 220, 220) for i in range(3): # 只需3层即可达到更好效果 radius = 15 - i*3 h, l, s = colorsys.rgb_to_hls(*base_color) current_color = colorsys.hls_to_rgb(h, min(1, l*(1+i*0.1)), s) draw_antialiased_circle(screen, current_color, (19.5 + 32 * x, 19.5 + 32 * y), radius)

2. 胜负判断算法重构

原始实现的check()函数存在重复代码多、边界条件处理复杂的问题。我们采用方向向量+递归检查的方案进行重构。

2.1 方向向量化检查

DIRECTIONS = [ (1, 0), # 水平 (0, 1), # 垂直 (1, 1), # 主对角线 (1, -1) # 副对角线 ] def check_win(board, x, y): stone = board[x][y] for dx, dy in DIRECTIONS: count = 1 + count_consecutive(board, x, y, dx, dy, stone) \ + count_consecutive(board, x, y, -dx, -dy, stone) if count >= 5: return True return False

2.2 递归计数优化

def count_consecutive(board, x, y, dx, dy, stone, count=0): nx, ny = x + dx, y + dy if 0 <= nx < 19 and 0 <= ny < 19 and board[nx][ny] == stone: return count_consecutive(board, nx, ny, dx, dy, stone, count+1) return count

性能对比测试结果（10000次执行）：

3. 工程化代码结构

将游戏逻辑分解为独立模块，采用面向对象设计：

class GomokuGame: def __init__(self): self.board = np.zeros((19, 19)) self.current_player = 1 # 1为黑棋，2为白棋 def make_move(self, x, y): if self.board[x][y] == 0: self.board[x][y] = self.current_player if self.check_win(x, y): return "win" self.current_player = 3 - self.current_player # 切换玩家 return "success" return "invalid" # 整合前文的check_win等方法

模块化架构设计：

gomoku/ ├── core/ # 核心逻辑 │ ├── game.py # 游戏状态管理 │ └── ai.py # AI算法 ├── render/ # 渲染模块 │ ├── board.py # 棋盘绘制 │ └── stones.py # 棋子渲染 └── main.py # 主程序入口

4. 人机对战进阶策略

在基础规则型AI之上，我们引入评分函数和有限深度搜索来提升AI智能度。

4.1 局面评估函数

def evaluate_position(board, player): score = 0 patterns = { 'five': 100000, # 五连 'open_four': 10000, # 活四 'half_four': 1000, # 冲四 'open_three': 500, # 活三 'half_three': 100, # 眠三 'open_two': 50 # 活二 } # 扫描整个棋盘识别棋型 for pattern in detect_patterns(board, player): score += patterns.get(pattern, 0) return score

4.2 极小化极大算法实现

def minimax(board, depth, alpha, beta, maximizing_player): if depth == 0 or game_over(board): return evaluate_position(board, 2) # AI是白棋 if maximizing_player: max_eval = -float('inf') for move in get_valid_moves(board): new_board = make_move_copy(board, move, 2) eval = minimax(new_board, depth-1, alpha, beta, False) max_eval = max(max_eval, eval) alpha = max(alpha, eval) if beta <= alpha: break return max_eval else: min_eval = float('inf') for move in get_valid_moves(board): new_board = make_move_copy(board, move, 1) eval = minimax(new_board, depth-1, alpha, beta, True) min_eval = min(min_eval, eval) beta = min(beta, eval) if beta <= alpha: break return min_eval

AI策略对比测试（100局）：

5. 性能优化技巧

5.1 棋盘状态哈希

import zlib def get_board_hash(board): """用于快速判断重复局面""" return zlib.adler32(board.tobytes())

5.2 走棋预生成缓存

class MoveGenerator: def __init__(self): self.pattern_cache = {} def get_urgent_moves(self, board): board_hash = get_board_hash(board) if board_hash in self.pattern_cache: return self.pattern_cache[board_hash] # 计算关键走法... self.pattern_cache[board_hash] = urgent_moves return urgent_moves

5.3 多线程思考

from concurrent.futures import ThreadPoolExecutor def parallel_evaluate(moves): with ThreadPoolExecutor() as executor: results = list(executor.map(evaluate_move, moves)) return max(results, key=lambda x: x[1])

在实现这些优化后，一个专业级的五子棋游戏应该具备：流畅的动画效果（60FPS以上）、毫秒级的胜负判断、以及足够智能的AI对手。这些优化不仅适用于五子棋，其中的图形渲染和算法优化思路也可以迁移到其他棋类游戏的开发中。