再写围棋的MC模拟

　　有了棋串的数据结构后，落子就变得很高效了，接下来要生成随机棋步。

　　以9x9棋盘为例，直接生成0~80的随机数进行模拟会很低效，因为它们并不都是合法落子点——有3类落子点是非法的：1. 非空点 2. 劫争点 3. 自杀点。

　　自然想在模拟过程中增量维护这3类点集，前两类很容易维护，难点在于自杀点的增量维护。

　　着手写自杀点的维护后，才发现问题出乎意料的复杂。我先写了个IsSuiside函数，通过试下作为最终的裁决，而这又涉及到对象的拷贝，太过昂贵。于是想尽量少用，通过位运算来判定多数情况。然后随着测试的进行，陆续发现多处的位运算判定不可靠，不得不用IsSuiside函数替代……

　　最后的效率可想而知，9 x 9棋盘模拟1w局，用时约40秒——这是不可授受的。

　　回过头来思考，越发觉得这件事并不必要做。多数情况下，自杀点本身并无价值（除了打劫时也许可作劫材），即使允许自杀，在UCT搜索过程中，自杀点自然会冷下来——用过多的资源判定自杀点划不来。

　　于是修改程序，让规则允许自杀，不过为了尽早结束棋局，不允许自填眼位，也不允许填对方眼位而不提子。增量维护眼位集合要简单得多。

　　测试下来要快很多，9 x 9棋盘，2.3秒模拟1万局，CPU是2.4G core 2，编译器是clang，开O3优化级。

　　Simulate函数：

template <BoardLen BOARD_LEN>
PointIndex
MCSimulator<BOARD_LEN>::Simulate(const BoardInGm<BOARD_LEN> &input_board) const
{
    BoardInGm<BOARD_LEN> bingm;
    bingm.Copy(input_board);

    do {
        PlayerColor last_player = bingm.LastPlayer();
        PlayerColor cur_player = OppstColor(last_player);
        const auto &playable = bingm.PlayableIndexes(cur_player);

        std::bitset<BLSq<BOARD_LEN>()> noko_plbl(playable);
        PointIndex ko = bingm.KoIndex();
        if (ko != BoardInGm<BOARD_LEN>::NONE) {
            std::bitset<BLSq<BOARD_LEN>()> kobits;
            kobits.set();
            kobits.reset(ko);
            noko_plbl &= kobits;
        }

        PointIndex play_c = noko_plbl.count();
        if (play_c > 0) {
            PointIndex rand = this->Rand(play_c - 1);
            PointIndex cur_indx =
                GetXst1<BLSq<BOARD_LEN>()>(noko_plbl, rand);
            bingm.PlayMove(Move(cur_player, cur_indx));
        } else {
            bingm.Pass(cur_player);
        }
    } while(bingm.PlayableIndexes(BLACK_PLAYER).count() > 0 ||
            bingm.PlayableIndexes(WHITE_PLAYER).count() > 0);

    return bingm.BlackRegion();
}

　　忽然想试试19路标准棋盘下，双方随机落子黑棋能赢多少，测试函数：

template <BoardLen BOARD_LEN>
void MCSimulator<BOARD_LEN>::TEST()
{
    int begin = clock();
    int sum = 0;
    const int a = 10000;
    for (int i=0; i<a; ++i) {
        BoardInGm<TEST_LEN> b;
        b.Init();
        auto &mcs = MCSimulator<TEST_LEN>::Ins();
        int r = mcs.Simulate(b);
        sum += r;
    }
    int end = clock();
    printf("time = %f\n", (float)(end - begin) / 1000000);
    printf("simulate complte.\n");
    printf("average black = %f\n", (float)sum / a);
}

　　19路的模拟速度有点慢，28秒1w局。看来随机落子的先行优势并不明显……

　　代码：https://github.com/chncwang/FooGo