python五子棋对弈人机 python五子棋ai

python 五子棋AI实现（3）：极大极小值搜索和alpha beta剪枝

• 极大极小值搜索介绍
• alpha beta剪枝介绍

• MIN层剪枝
• MAX层剪枝

• 代码实现

• alpha，beta剪枝实现
• 获取子节点
• AI搜索深度和搜索时间

• 完整代码

• ChessAI.py

极大极小值搜索介绍

可以先回顾下上一篇中的AI 实现：AI 先获取当前所有可以下的位置（就是棋盘上的空格），然后每次在其中一个位置下子，根据棋型评估函数获取一个分数，所有位置都下过一遍后，从中获取评分最高的位置。这个就是极大值的搜索过程，我们称为 AI 的MAX层，即AI 要保证自己下棋的评分最大化。如果是轮到玩家下棋时，肯定会选取对自己最有利的位置，也可以说是对AI最不利的位置，即评分要最小化，我们称为AI的MIN层。。

上面是只有一层的搜索，如果要考虑多层搜索，第一层是AI下棋，第二层是玩家下棋，第三层是AI下棋，第四层是玩家下棋，依次类推。假设每一层有50个可选择的位置，每个位置看做树的一个节点，那么第一层是根节点下面的子节点，有50个节点，第二层是第一层下面的子节点，就有50×50个节点，第三层就有50×50×50个节点，依次类推，这样会形成一个巨大的博弈树。我们要做的就是搜索这棵树，找到对于AI最有利的下棋位置。

假设一个两层的博弈树，如图1所示，最上面一层是树的根节点，这里MAX表示会选取下一层子节点中评分最高的。第二层的MIN表示会选取下一层子节点中评分最低的。第三层是叶子节点，只需要计算评分。注意：只有在叶子节点时才会计算评分，在树的中间层，对于AI来说暂时是无法知道哪一个节点是最有利的。

图1

极大极小值搜索是一个深度优先的算法，当第二层第一个节点的子节点都计算好评分后，因为这层是MIN层，会选取子节点中最低的评分作为这个节点的评分，就是3。依次类推，第二层第二个节点评分为6，第三个节点为5。当第二层节点都获取到评分后，因为第一层是MAX层，会选取子节点中最高的评分作为这个节点的评分，就是第二层第二个节点的评分6，这个节点所代表的下棋位置对于AI来说就是最有利的。最后算法返回评分6和第二层第二个节点的下棋位置。根节点表示当前的棋局，博弈树上每一个节点就是从树根节点开始，每个子节点下一步棋，到该节点形成的新的棋局。 棋局就是所有已下棋位置的顺序列表，比如[ (7,7), (8,8), (7,9) ]。

图2

比如图2的两层的博弈树，一开始玩家下了一步棋，位置是(7,7)， 轮到AI下棋，AI进行博弈树搜索时，根节点已有的棋局就是 [ (7,7) ]。第二层时AI下棋，假设AI选择了三个下棋的位置（8，7），（8，8），（7，6），就形成了第二层的三个节点，这三个节点分别代表三个新的棋局，[ (7,7), (8,7) ], [ (7,7), (8,8) ], [ (7,7), (7,6) ]。 第三层轮到玩家下棋，看下中间评分为6的叶子节点，选择的下棋位置是(7,9), 所以这个叶节点的棋局是 [ (7,7), (8,8), (7,9 ]，叶子节点的评分就是对这个棋局用棋型评估函数进行打分。

根据棋型评估函数 先确定下评分的定义：
假设AI 是黑棋，玩家是白棋，在某一层某个节点时的评分，就是对这个节点形成的棋局的评分：（AI 黑棋棋型的评分 - 玩家白棋棋形的评分）：

极大极小值搜索算法就是在树的每一层搜索时，根据下面的策略：

• AI下棋的层，称为MAX层，这一层 AI 会选取子节点中评分最高的位置
• 玩家下棋的层，称为MIN层，这一层玩家会选取子节点中评分最低的位置

alpha beta剪枝介绍

极大极小值搜索算法的缺点就是当博弈树的层数变大时，需要搜索的节点数目会指数级增长。比如上面每一层的节点为50时，六层博弈树的节点就是50的6次方，运算时间会非常漫长。
在上面的例子中，我们会计算所有叶子节点的评分，但这个不是必要的。

Alpha-Beta剪枝就是用来将搜索树中不需要搜索的分支裁剪掉，以提高运算速度。基本的原理是：

• 当一个 MIN 层节点的 α值 ≤ β值时 ，剪掉该节点的所有未搜索子节点
• 当一个 MAX 层节点的 α值 ≥ β值时 ，剪掉该节点的所有未搜索子节点
  其中α值是该层节点当前最有利的评分，β值是父节点当前的α值，根节点因为是MAX层，所以 β值 初始化为正无穷大(+∞)。

初始化节点的α值，如果是MAX层，初始化α值为负无穷大(-∞)，这样子节点的评分肯定比这个值大。如果是MIN层，初始化α值为正无穷大(+∞)，这样子节点的评分肯定比这个值小。

MIN层剪枝

我们先看一个MIN层剪枝的例子，根节点A的α, β值为(-∞, +∞)，博弈树层数为2。

如图3，是开始搜索第二层第一个子节点B时的情况。因为节点B是在MIN层，所以α, β值设为(+∞, -∞)，β值是父节点A当前的α值。

图3

如图4，是搜索完节点B，并更新了节点B和根节点A的α值后，开始搜索第二层第二个节点C时的情况。根节点A的α值更新为当前最有利的评分3。节点C的α, β值设为(+∞, 3)，β值是父节点A当前的α值。

图4

如图5，是搜索完节点C，并更新了节点C和根节点A的α值后，开始搜索第二层第三个节点D时的情况。节点C的α值更新为6，根节点A的α值更新为当前最有利的评分6。节点D的α, β值设为(+∞, 6)，β值是父节点A当前的α值。

图5

如图6，就是MIN层剪枝的过程，搜索节点D的第一个子节点，得到的评分是5，更新节点D的α值为5，这时节点D 符合MIN层的剪枝判断： α值 ≤ β值，所以节点D的第二个子节点就被裁剪了。

图6

MAX层剪枝

再看一个MAX层剪枝的例子，根节点A的α, β值为(-∞, +∞)，博弈树层数为4。

如图7，是搜索完第三层第一个节点C的第一个子节点的情况。节点B是在MIN层，所以α, β值设为(+∞, -∞)，节点C是在MAX层，所以α, β值设为(-∞，+∞)。节点C的第一个子节点初始α, β值设为(+∞, -∞)，搜索完后α值更新为5。

图7

如图8，是搜索完节点C后，更新完节点B的情况，节点C的α值更新为5， 节点B的α值同样更新为5。

图8

如图9，是开始搜索节点B的第二个子节点D时的情况。节点D在MAX层，所以α, β值设为(-∞, 5)， β值是父节点B当前的α值。

图9

如图10，是搜索完节点D的第一个子节点后的情况。节点D的第一个子节点的评分为7，更新节点D的α值为7，这时节点D 符合MAX层的剪枝判断： α值 >= β值，所以节点D的第二个子节点就被裁剪了。

图10

代码实现

alpha，beta剪枝实现

注意代码实现和上面的算法介绍有些不同: 子节点的β值是 父节点的 -α值，返回给父节点的评分是子节点的-α值。因为按照上面的剪枝算法，MIN层和MAX层的判断条件是不同的，为了代码实现的简洁，这样修改后就可以使用相同的选择最有利位置的条件:MAX层 和 MIN层 都选择最大的评分， 和相同的剪枝判断条件：MAX层 和 MIN层 都在 α值 ≥ β值时 ，剪掉该节点的所有未搜索子节点。

比如上面图1的例子，按照代码实现，就变成图11的样子。节点B的两个子节点的评分为5 和 3，返回到节点B时，就变成 -5 和 -3，这时选择最大的评分，就是 -3，对应的下棋位置和图1中还是一样的。节点B 和 节点D 按照同样的规则，选择最大的评分为 -6 和 -5。

节点A的三个子节点的评分分别为-3, -6 和 -5，返回到节点A时，评分就变成 3， 6 和 5，选择最大的评分，就是6，对应的节点C和图1还是一样的。

图11

主要是修改了AI的search函数，新增的__search 函数实现了 AI的深度搜索和alpha，beta剪枝。
AI_SEARCH_DEPTH 表示搜索深度，默认是2，测试时可以改成4。

AI_SEARCH_DEPTH = 2

SCORE_MAX = 0x7fffffff
SCORE_MIN = -1 * SCORE_MAX
SCORE_FIVE = 10000

	def __search(self, board, turn, depth, alpha = SCORE_MIN, beta = SCORE_MAX):
		score = self.evaluate(board, turn)
		if depth <= 0 or abs(score) >= SCORE_FIVE: 
			return score

		moves = self.genmove(board, turn)
		bestmove = None
		self.alpha += len(moves)
		
		# if there are no moves, just return the score
		if len(moves) == 0:
			return score

		for _, x, y in moves:
			board[y][x] = turn
			
			if turn == MAP_ENTRY_TYPE.MAP_PLAYER_ONE:
				op_turn = MAP_ENTRY_TYPE.MAP_PLAYER_TWO
			else:
				op_turn = MAP_ENTRY_TYPE.MAP_PLAYER_ONE

			score = - self.__search(board, op_turn, depth - 1, -beta, -alpha)

			board[y][x] = 0
			self.belta += 1

			# alpha/beta pruning
			if score > alpha:
				alpha = score
				bestmove = (x, y)
				if alpha >= beta:
					break

		if depth == self.maxdepth and bestmove:
			self.bestmove = bestmove
				
		return alpha

	def search(self, board, turn, depth = 4):
		self.maxdepth = depth
		self.bestmove = None
		score = self.__search(board, turn, depth)
		x, y = self.bestmove
		return score, x, y

获取子节点

上一篇文章中获取子节点的方法是，直接返回当前棋盘上所有空的位置。当搜索层数是1的时候，搜索节点最多225个，搜索时间可以忽略。但是当搜索层数变成2，4时，需要搜索的节点就变成 255×255，或255×255×255×255，这个搜索时间就太长了。

注意到很多空的位置是没有价值的，比如不能和已有的棋子形成棋型，或者挡住对方的棋型，可以直接忽略这些位置。

所以只考虑在已下双方棋子的一定范围内的空位置，可以考虑在范围1内的棋子。

比如下面只下了2步棋的棋盘上，范围1内的空位置有12个。

修改后的genmove函数，获取已下双方棋子范围1内的空位置。hasNeighbor函数，判断空位置范围1内是否有已下的棋子。

def hasNeighbor(self, board, x, y, radius):
		start_x, end_x = (x - radius), (x + radius)
		start_y, end_y = (y - radius), (y + radius)

		for i in range(start_y, end_y+1):
			for j in range(start_x, end_x+1):
				if i >= 0 and i < self.len and j >= 0 and j < self.len:
					if board[i][j] != 0:
						return True
		return False

	# get all positions near chess
	def genmove(self, board, turn):
		fives = []
		mfours, ofours = [], []
		msfours, osfours = [], []
		if turn == MAP_ENTRY_TYPE.MAP_PLAYER_ONE:
			mine = 1
			opponent = 2
		else:
			mine = 2
			opponent = 1

		moves = []
		radius = 1

		for y in range(self.len):
			for x in range(self.len):
				if board[y][x] == 0 and self.hasNeighbor(board, x, y, radius):
					score = self.pos_score[y][x]
					moves.append((score, x, y))

		moves.sort(reverse=True)

		return moves

AI搜索深度和搜索时间

搜索深度就是博弈树的层数，博弈树的层数越多，AI就越厉害。但是由于搜索时间会指数级增加，所以这里只测试了深度为2和4的情况。

• 搜索深度为2，搜索时间基本在1秒以内。下面时程序运行时的统计信息，这边的alpha值可以看成是不开启剪枝会搜索的节点数目，(alpha - beta)值可以看成是裁剪掉的节点数目。
  time[0.04] (8, 8), score[-6] alpha[96] belta[28]
  time[0.04] (8, 7), score[-10] alpha[271] belta[43]
  time[0.09] (7, 8), score[-398] alpha[304] belta[115]
  time[0.07] (9, 5), score[-402] alpha[378] belta[125]
  time[0.29] (4, 10), score[-392] alpha[693] belta[566]
  time[0.15] (9, 6), score[-16] alpha[1041] belta[232]
  time[0.16] (10, 5), score[-20] alpha[980] belta[245]
  time[0.23] (7, 5), score[-22] alpha[1388] belta[321]
• 搜索深度为4， 搜索时间不稳定，可能会到20秒。后续会优化到搜索时间在2秒左右。
  time[0.73] (8, 8), score[-10] alpha[5275] belta[1388]
  time[1.63] (6, 8), score[-394] alpha[11835] belta[3122]
  time[1.19] (8, 7), score[-398] alpha[10195] belta[1859]
  time[1.49] (7, 6), score[-400] alpha[12053] belta[2382]
  time[4.27] (6, 5), score[-402] alpha[25392] belta[7005]
  time[3.65] (6, 7), score[-394] alpha[35265] belta[5135]
  time[5.82] (8, 5), score[-8] alpha[36939] belta[8458]

完整代码

一共有三个文件，main.py, GameMap.py 和 ChessAI.py。这次只修改了ChessAI.py，前两个文件可以看上两篇文章中的代码。

ChessAI.py

from GameMap import *
from enum import IntEnum
from random import randint
import time

AI_SEARCH_DEPTH = 2

class CHESS_TYPE(IntEnum):
	NONE = 0,
	SLEEP_TWO = 1,
	LIVE_TWO = 2,
	SLEEP_THREE = 3
	LIVE_THREE = 4,
	CHONG_FOUR = 5,
	LIVE_FOUR = 6,
	LIVE_FIVE = 7,
	
CHESS_TYPE_NUM = 8

FIVE = CHESS_TYPE.LIVE_FIVE.value
FOUR, THREE, TWO = CHESS_TYPE.LIVE_FOUR.value, CHESS_TYPE.LIVE_THREE.value, CHESS_TYPE.LIVE_TWO.value
SFOUR, STHREE, STWO = CHESS_TYPE.CHONG_FOUR.value, CHESS_TYPE.SLEEP_THREE.value, CHESS_TYPE.SLEEP_TWO.value

SCORE_MAX = 0x7fffffff
SCORE_MIN = -1 * SCORE_MAX
SCORE_FIVE = 10000

class ChessAI():
	def __init__(self, chess_len):
		self.len = chess_len
		# [horizon, vertical, left diagonal, right diagonal]
		self.record = [[[0,0,0,0] for x in range(chess_len)] for y in range(chess_len)]
		self.count = [[0 for x in range(CHESS_TYPE_NUM)] for i in range(2)]
		self.pos_score = [[(7 - max(abs(x - 7), abs(y - 7))) for x in range(chess_len)] for y in range(chess_len)]

	def reset(self):
		for y in range(self.len):
			for x in range(self.len):
				for i in range(4):
					self.record[y][x][i] = 0

		for i in range(len(self.count)):
			for j in range(len(self.count[0])):
				self.count[i][j] = 0

	
	def click(self, map, x, y, turn):
		map.click(x, y, turn)
		
	def isWin(self, board, turn):
		return self.evaluate(board, turn, True)

	# check if has a none empty position in it's radius range
	def hasNeighbor(self, board, x, y, radius):
		start_x, end_x = (x - radius), (x + radius)
		start_y, end_y = (y - radius), (y + radius)

		for i in range(start_y, end_y+1):
			for j in range(start_x, end_x+1):
				if i >= 0 and i < self.len and j >= 0 and j < self.len:
					if board[i][j] != 0:
						return True
		return False

	# get all positions near chess
	def genmove(self, board, turn):
		fives = []
		mfours, ofours = [], []
		msfours, osfours = [], []
		if turn == MAP_ENTRY_TYPE.MAP_PLAYER_ONE:
			mine = 1
			opponent = 2
		else:
			mine = 2
			opponent = 1

		moves = []
		radius = 1

		for y in range(self.len):
			for x in range(self.len):
				if board[y][x] == 0 and self.hasNeighbor(board, x, y, radius):
					score = self.pos_score[y][x]
					moves.append((score, x, y))

		moves.sort(reverse=True)

		return moves
	
	def __search(self, board, turn, depth, alpha = SCORE_MIN, beta = SCORE_MAX):
		score = self.evaluate(board, turn)
		if depth <= 0 or abs(score) >= SCORE_FIVE: 
			return score

		moves = self.genmove(board, turn)
		bestmove = None
		self.alpha += len(moves)
		
		# if there are no moves, just return the score
		if len(moves) == 0:
			return score

		for _, x, y in moves:
			board[y][x] = turn
			
			if turn == MAP_ENTRY_TYPE.MAP_PLAYER_ONE:
				op_turn = MAP_ENTRY_TYPE.MAP_PLAYER_TWO
			else:
				op_turn = MAP_ENTRY_TYPE.MAP_PLAYER_ONE

			score = - self.__search(board, op_turn, depth - 1, -beta, -alpha)

			board[y][x] = 0
			self.belta += 1

			# alpha/beta pruning
			if score > alpha:
				alpha = score
				bestmove = (x, y)
				if alpha >= beta:
					break

		if depth == self.maxdepth and bestmove:
			self.bestmove = bestmove
				
		return alpha

	def search(self, board, turn, depth = 4):
		self.maxdepth = depth
		self.bestmove = None
		score = self.__search(board, turn, depth)
		x, y = self.bestmove
		return score, x, y
		
	def findBestChess(self, board, turn):
		time1 = time.time()
		self.alpha = 0
		self.belta = 0
		score, x, y = self.search(board, turn, AI_SEARCH_DEPTH)
		time2 = time.time()
		print('time[%.2f] (%d, %d), score[%d] alpha[%d] belta[%d]' % ((time2-time1), x, y, score, self.alpha, self.belta))
		return (x, y)

	# calculate score, FIXME: May Be Improved
	def getScore(self, mine_count, opponent_count):
		mscore, oscore = 0, 0
		if mine_count[FIVE] > 0:
			return (SCORE_FIVE, 0)
		if opponent_count[FIVE] > 0:
			return (0, SCORE_FIVE)
				
		if mine_count[SFOUR] >= 2:
			mine_count[FOUR] += 1
		if opponent_count[SFOUR] >= 2:
			opponent_count[FOUR] += 1
				
		if mine_count[FOUR] > 0:
			return (9050, 0)
		if mine_count[SFOUR] > 0:
			return (9040, 0)
			
		if opponent_count[FOUR] > 0:
			return (0, 9030)
		if opponent_count[SFOUR] > 0 and opponent_count[THREE] > 0:
			return (0, 9020)
			
		if mine_count[THREE] > 0 and opponent_count[SFOUR] == 0:
			return (9010, 0)
			
		if (opponent_count[THREE] > 1 and mine_count[THREE] == 0 and mine_count[STHREE] == 0):
			return (0, 9000)

		if opponent_count[SFOUR] > 0:
			oscore += 400

		if mine_count[THREE] > 1:
			mscore += 500
		elif mine_count[THREE] > 0:
			mscore += 100
			
		if opponent_count[THREE] > 1:
			oscore += 2000
		elif opponent_count[THREE] > 0:
			oscore += 400

		if mine_count[STHREE] > 0:
			mscore += mine_count[STHREE] * 10
		if opponent_count[STHREE] > 0:
			oscore += opponent_count[STHREE] * 10
			
		if mine_count[TWO] > 0:
			mscore += mine_count[TWO] * 6
		if opponent_count[TWO] > 0:
			oscore += opponent_count[TWO] * 6
				
		if mine_count[STWO] > 0:
			mscore += mine_count[STWO] * 2
		if opponent_count[STWO] > 0:
			oscore += opponent_count[STWO] * 2
		
		return (mscore, oscore)

	def evaluate(self, board, turn, checkWin=False):
		self.reset()
		
		if turn == MAP_ENTRY_TYPE.MAP_PLAYER_ONE:
			mine = 1
			opponent = 2
		else:
			mine = 2
			opponent = 1
		
		for y in range(self.len):
			for x in range(self.len):
				if board[y][x] == mine:
					self.evaluatePoint(board, x, y, mine, opponent)
				elif board[y][x] == opponent:
					self.evaluatePoint(board, x, y, opponent, mine)
		
		mine_count = self.count[mine-1]
		opponent_count = self.count[opponent-1]
		if checkWin:
			return mine_count[FIVE] > 0
		else:	
			mscore, oscore = self.getScore(mine_count, opponent_count)
			return (mscore - oscore)
	
	def evaluatePoint(self, board, x, y, mine, opponent, count=None):
		dir_offset = [(1, 0), (0, 1), (1, 1), (1, -1)] # direction from left to right
		ignore_record = True
		if count is None:
			count = self.count[mine-1]
			ignore_record = False
		for i in range(4):
			if self.record[y][x][i] == 0 or ignore_record:
				self.analysisLine(board, x, y, i, dir_offset[i], mine, opponent, count)

	
	# line is fixed len 9: XXXXMXXXX
	def getLine(self, board, x, y, dir_offset, mine, opponent):
		line = [0 for i in range(9)]
		
		tmp_x = x + (-5 * dir_offset[0])
		tmp_y = y + (-5 * dir_offset[1])
		for i in range(9):
			tmp_x += dir_offset[0]
			tmp_y += dir_offset[1]
			if (tmp_x < 0 or tmp_x >= self.len or 
				tmp_y < 0 or tmp_y >= self.len):
				line[i] = opponent # set out of range as opponent chess
			else:
				line[i] = board[tmp_y][tmp_x]
						
		return line
		
	def analysisLine(self, board, x, y, dir_index, dir, mine, opponent, count):
		# record line range[left, right] as analysized
		def setRecord(self, x, y, left, right, dir_index, dir_offset):
			tmp_x = x + (-5 + left) * dir_offset[0]
			tmp_y = y + (-5 + left) * dir_offset[1]
			for i in range(left, right+1):
				tmp_x += dir_offset[0]
				tmp_y += dir_offset[1]
				self.record[tmp_y][tmp_x][dir_index] = 1
	
		empty = MAP_ENTRY_TYPE.MAP_EMPTY.value
		left_idx, right_idx = 4, 4
		
		line = self.getLine(board, x, y, dir, mine, opponent)

		while right_idx < 8:
			if line[right_idx+1] != mine:
				break
			right_idx += 1
		while left_idx > 0:
			if line[left_idx-1] != mine:
				break
			left_idx -= 1
		
		left_range, right_range = left_idx, right_idx
		while right_range < 8:
			if line[right_range+1] == opponent:
				break
			right_range += 1
		while left_range > 0:
			if line[left_range-1] == opponent:
				break
			left_range -= 1
		
		chess_range = right_range - left_range + 1
		if chess_range < 5:
			setRecord(self, x, y, left_range, right_range, dir_index, dir)
			return CHESS_TYPE.NONE
		
		setRecord(self, x, y, left_idx, right_idx, dir_index, dir)
		
		m_range = right_idx - left_idx + 1
		
		# M:mine chess, P:opponent chess or out of range, X: empty
		if m_range >= 5:
			count[FIVE] += 1
		
		# Live Four : XMMMMX 
		# Chong Four : XMMMMP, PMMMMX
		if m_range == 4:
			left_empty = right_empty = False
			if line[left_idx-1] == empty:
				left_empty = True			
			if line[right_idx+1] == empty:
				right_empty = True
			if left_empty and right_empty:
				count[FOUR] += 1
			elif left_empty or right_empty:
				count[SFOUR] += 1
		
		# Chong Four : MXMMM, MMMXM, the two types can both exist
		# Live Three : XMMMXX, XXMMMX
		# Sleep Three : PMMMX, XMMMP, PXMMMXP
		if m_range == 3:
			left_empty = right_empty = False
			left_four = right_four = False
			if line[left_idx-1] == empty:
				if line[left_idx-2] == mine: # MXMMM
					setRecord(self, x, y, left_idx-2, left_idx-1, dir_index, dir)
					count[SFOUR] += 1
					left_four = True
				left_empty = True
				
			if line[right_idx+1] == empty:
				if line[right_idx+2] == mine: # MMMXM
					setRecord(self, x, y, right_idx+1, right_idx+2, dir_index, dir)
					count[SFOUR] += 1
					right_four = True 
				right_empty = True
			
			if left_four or right_four:
				pass
			elif left_empty and right_empty:
				if chess_range > 5: # XMMMXX, XXMMMX
					count[THREE] += 1
				else: # PXMMMXP
					count[STHREE] += 1
			elif left_empty or right_empty: # PMMMX, XMMMP
				count[STHREE] += 1
		
		# Chong Four: MMXMM, only check right direction
		# Live Three: XMXMMX, XMMXMX the two types can both exist
		# Sleep Three: PMXMMX, XMXMMP, PMMXMX, XMMXMP
		# Live Two: XMMX
		# Sleep Two: PMMX, XMMP
		if m_range == 2:
			left_empty = right_empty = False
			left_three = right_three = False
			if line[left_idx-1] == empty:
				if line[left_idx-2] == mine:
					setRecord(self, x, y, left_idx-2, left_idx-1, dir_index, dir)
					if line[left_idx-3] == empty:
						if line[right_idx+1] == empty: # XMXMMX
							count[THREE] += 1
						else: # XMXMMP
							count[STHREE] += 1
						left_three = True
					elif line[left_idx-3] == opponent: # PMXMMX
						if line[right_idx+1] == empty:
							count[STHREE] += 1
							left_three = True
						
				left_empty = True
				
			if line[right_idx+1] == empty:
				if line[right_idx+2] == mine:
					if line[right_idx+3] == mine:  # MMXMM
						setRecord(self, x, y, right_idx+1, right_idx+2, dir_index, dir)
						count[SFOUR] += 1
						right_three = True
					elif line[right_idx+3] == empty:
						#setRecord(self, x, y, right_idx+1, right_idx+2, dir_index, dir)
						if left_empty:  # XMMXMX
							count[THREE] += 1
						else:  # PMMXMX
							count[STHREE] += 1
						right_three = True
					elif left_empty: # XMMXMP
						count[STHREE] += 1
						right_three = True
						
				right_empty = True
			
			if left_three or right_three:
				pass
			elif left_empty and right_empty: # XMMX
				count[TWO] += 1
			elif left_empty or right_empty: # PMMX, XMMP
				count[STWO] += 1
		
		# Live Two: XMXMX, XMXXMX only check right direction
		# Sleep Two: PMXMX, XMXMP
		if m_range == 1:
			left_empty = right_empty = False
			if line[left_idx-1] == empty:
				if line[left_idx-2] == mine:
					if line[left_idx-3] == empty:
						if line[right_idx+1] == opponent: # XMXMP
							count[STWO] += 1
				left_empty = True

			if line[right_idx+1] == empty:
				if line[right_idx+2] == mine:
					if line[right_idx+3] == empty:
						if left_empty: # XMXMX
							#setRecord(self, x, y, left_idx, right_idx+2, dir_index, dir)
							count[TWO] += 1
						else: # PMXMX
							count[STWO] += 1
				elif line[right_idx+2] == empty:
					if line[right_idx+3] == mine and line[right_idx+4] == empty: # XMXXMX
						count[TWO] += 1
						
		return CHESS_TYPE.NONE