1. 实验介绍

1.1 实验内容

实验利用 Python 模拟 AI 和玩家进行四子棋游戏，利用游戏实验 Pygame 库，为游戏提供界面和操作支持。AI 算法借用蒙特卡洛搜索树思想。通过设置 AI 的难度系数，即 AI 所能考虑到的未来棋子的可能走向，从而选择出最佳的方案和玩家对抗。难度系数越大，AI 搜索范围越广，它所能做出的决定越明智。

游戏最终效果截图：

1.2 实验知识点

• Pygame 的基础操作
• 蒙特卡洛搜索树

1.3 实验环境

• Python2.7
• gedit

1.4 适合人群

本课程难度一般，属于初级课程，适合具有 Python 基础并对 Pygame 有所了解的用户学习。

1.5 代码获取

你可以通过下面命令将代码下载到实验楼环境中，作为参照对比进行学习。

c++ $ wget http://labfile.oss.aliyuncs.com/courses/746/fourinrow.py

2. 四子棋游戏

四子棋游戏是在 7*6 的格子中。轮流从格子最上方落下棋子。棋子会落在该列格子中最下面的空格子里。先将四个棋子连成一条线（水平直线，竖直直线，或倾斜直线）者获胜，游戏结束。

3. 项目文件结构

4. 实验步骤

4.1 开发准备

在 Code 目录下进行创建工程文件 Fourinrow，在终端执行命令

c++ cd Code && mkdir Fourinrow

下载本次实验所需的图片资源到 Fourinrow 文件下

c++ $ cd Fourinrow $ wget http://labfile.oss.aliyuncs.com/courses/746/images.zip $ unzip images.zip

安装依赖包

c++ $ sudo apt-get update $ sudo apt-get install python-pygame

4.2 游戏流程

4.3 初始化变量

用到的变量包括，棋盘的宽度，长度（可以修改，设计不同规格的棋盘），难度系数，棋子大小以及一些设计坐标变量的设定。

在 FourinRow.py 文件中输入如下代码：

```c++ import random, copy, sys, pygame from pygame.locals import *

BOARDWIDTH = 7 # 棋子盘的宽度栏数 BOARDHEIGHT = 6 # 棋子盘的高度栏数 assert BOARDWIDTH >= 4 and BOARDHEIGHT >= 4, 'Board must be at least 4x4.'

python assert断言是声明其布尔值必须为真的判定，如果发生异常就说明表达示为假。

可以理解assert断言语句为raise-if-not，用来测试表示式，其返回值为假，就会触发异常。

DIFFICULTY = 2 # 难度系数，计算机能够考虑的移动级别 #这里2表示，考虑对手走棋的7种可能性及如何应对对手的7种走法

SPACESIZE = 50 # 棋子的大小

FPS = 30 # 屏幕的更新频率，即30/s WINDOWWIDTH = 640 # 游戏屏幕的宽度像素 WINDOWHEIGHT = 480 # 游戏屏幕的高度像素

XMARGIN = int((WINDOWWIDTH - BOARDWIDTH * SPACESIZE) / 2)#X边缘坐标量，即格子栏的最左边 YMARGIN = int((WINDOWHEIGHT - BOARDHEIGHT * SPACESIZE) / 2)#Y边缘坐标量，即格子栏的最上边 BRIGHTBLUE = (0, 50, 255)#蓝色 WHITE = (255, 255, 255)#白色

BGCOLOR = BRIGHTBLUE TEXTCOLOR = WHITE

RED = 'red' BLACK = 'black' EMPTY = None HUMAN = 'human' COMPUTER = 'computer'
```

除此之外我们还需要定义一些 pygame 的全局变量。这些全局变量在之后的各个模块中会被多次调用。其中很多是存储载入图片的变量，准备工作有点长，请大家耐心一点哦。

```c++

初始化pygame的各个模块

pygame.init()

初始化了一个Clock对象

FPSCLOCK = pygame.time.Clock()

创建游戏窗口

DISPLAYSURF = pygame.display.set_mode((WINDOWWIDTH, WINDOWHEIGHT))

游戏窗口标题

pygame.display.set_caption(u'four in row')

Rect(left,top,width,height)用来定义位置和宽高

REDPILERECT = pygame.Rect(int(SPACESIZE / 2), WINDOWHEIGHT - int(3 * SPACESIZE / 2), SPACESIZE, SPACESIZE)

这里创建的是窗口中左下角和右下角的棋子

BLACKPILERECT = pygame.Rect(WINDOWWIDTH - int(3 * SPACESIZE / 2), WINDOWHEIGHT - int(3 * SPACESIZE / 2), SPACESIZE, SPACESIZE)

载入红色棋子图片

REDTOKENIMG = pygame.image.load('4row_red.png')

将红色棋子图片缩放为SPACESIZE

REDTOKENIMG = pygame.transform.smoothscale(REDTOKENIMG, (SPACESIZE, SPACESIZE))

载入黑色棋子图片

BLACKTOKENIMG = pygame.image.load('4row_black.png')

将黑色棋子图片缩放为SPACESIZE

BLACKTOKENIMG = pygame.transform.smoothscale(BLACKTOKENIMG, (SPACESIZE, SPACESIZE))

载入棋子面板图片

BOARDIMG = pygame.image.load('4row_board.png')

将棋子面板图片缩放为SPACESIZE

BOARDIMG = pygame.transform.smoothscale(BOARDIMG, (SPACESIZE, SPACESIZE))

载入人胜利时图片

HUMANWINNERIMG = pygame.image.load('4row_humanwinner.png')

载入AI胜时图片

COMPUTERWINNERIMG = pygame.image.load('4row_computerwinner.png')

载入平局提示图片

TIEWINNERIMG = pygame.image.load('4row_tie.png')

返回一个Rect实例

WINNERRECT = HUMANWINNERIMG.get_rect()

游戏窗口中间位置坐标

WINNERRECT.center = (int(WINDOWWIDTH / 2), int(WINDOWHEIGHT / 2))

载入操作提示图片

ARROWIMG = pygame.image.load('4row_arrow.png')

返回一个Rect实例

ARROWRECT = ARROWIMG.get_rect()

操作提示的左位置

ARROWRECT.left = REDPILERECT.right + 10

将操作提示与下方红色棋子实例在纵向对齐

ARROWRECT.centery = REDPILERECT.centery ```

至此我们完成了前期的准备工作。

4.4 棋盘设计

初始时，将棋盘二维列表清空，然后根据玩家和 AI 的走法将棋盘相应位置设定颜色。

```python def drawBoard(board, extraToken=None): #DISPLAYSURF 是我们的界面，在初始化变量模块中有定义 DISPLAYSURF.fill(BGCOLOR)#将游戏窗口背景色填充为蓝色 spaceRect = pygame.Rect(0, 0, SPACESIZE, SPACESIZE)#创建Rect实例 for x in range(BOARDWIDTH): #确定每一列中每一行中的格子的左上角的位置坐标 for y in range(BOARDHEIGHT): spaceRect.topleft = (XMARGIN + (x * SPACESIZE), YMARGIN + (y * SPACESIZE))

        #x =0,y =0时，即第一列第一行的格子。
        if board[x][y] == RED:#如果格子值为红色
            #则在在游戏窗口的spaceRect中画红色棋子
            DISPLAYSURF.blit(REDTOKENIMG, spaceRect)
        elif board[x][y] == BLACK: #否则画黑色棋子
            DISPLAYSURF.blit(BLACKTOKENIMG, spaceRect)

# extraToken 是包含了位置信息和颜色信息的变量
# 用来显示指定的棋子
if extraToken != None:
    if extraToken['color'] == RED:
        DISPLAYSURF.blit(REDTOKENIMG,(extraToken['x'],
        extraToken['y'], SPACESIZE, SPACESIZE))
    elif extraToken['color'] == BLACK:
        DISPLAYSURF.blit(BLACKTOKENIMG, (extraToken['x'], extraToken['y'], SPACESIZE, SPACESIZE))

# 画棋子面板
for x in range(BOARDWIDTH):
    for y in range(BOARDHEIGHT):
        spaceRect.topleft = (XMARGIN + (x * SPACESIZE), YMARGIN + (y * SPACESIZE))
        DISPLAYSURF.blit(BOARDIMG, spaceRect)

# 画游戏窗口中左下角和右下角的棋子
DISPLAYSURF.blit(REDTOKENIMG, REDPILERECT) # 左边的红色棋子
DISPLAYSURF.blit(BLACKTOKENIMG, BLACKPILERECT) # 右边的黑色棋子

def getNewBoard(): board = [] for x in range(BOARDWIDTH): board.append([EMPTY] * BOARDHEIGHT) return board #返回board列表，其值为BOARDHEIGHT数量的None ```

4.5 AI 获取最佳移动算法

简单介绍一下蒙特卡洛搜索树的思想：

利用一维中的掷点法完成对围棋盘面的评估。具体来讲,当我们给定某一个棋盘局面时,程序在当前局面的所有可下点中随机选择一个点摆上棋子,并不断重复这个随机选择可下点(掷点)的过程,直到双方都没有可下点(即对弈结束),再把这个最终状态的胜负结果反馈回去,作为评估当前局面的依据。

在该实验当中 AI 通过不断选择不同的栏，然后考虑双方的获胜结果进行评估，AI 最终会选择评估较高的策略。

在浏览下面图片和文字之前请先看一下后面的代码，然后在对应讲解内容。

观察下面图示中 AI 和 player 的对决

实验中有些变量可以直观反映了 AI 棋子操作的过程：

PotentialMoves：返回一个列表，表示 AI 将棋子移动到列表中任一栏时获胜的可能性大小，其数值为-7~0 的随机数，数值为负数时表示 AI 将棋子移动到这一栏时，玩家可能会在接下来两步取胜，数值越小表示玩家获胜可能性越大。为 0，表示玩家不会获胜，并且 AI 也不可能获胜，为 1 表示 AI 可以获胜。

bestMoveFitness：适应度是选取 PotentialMoves 中最大的数值

bestMoves：如果 PotentialMoves 中有多个最大值，则表示 AI 将棋子移动到这些值所在的栏时，玩家获胜的几率都是最小的。所以将这些栏重新添加到列表 bestMoves 中。

column：当 bestMoves 为多个值时随机选择 bestMoves 中的一栏作为 AI 的移动。若是唯一值，则 column 为这个唯一值。

实验中通过打印这些 bestMoveFitness ,bestMoves , column ,potentialMoves 得出在上图中 AI 的每一步参数：

AI moves:

通过第三步 AI 的选择，更加细致地了解算法的原理：

下图是部分 AI 走法示意图，该图显示了如果 AI 将棋子落在第一格中，Player 的可能选择，以及 AI 接下来的一步对 player 获胜产生的影响，正是通过这种搜索，迭代 AI 可以判定在接下来两步中对手和自己的获胜情况，从而做出抉择。

下图是计算 AI 适应度值的流程图，实验中难度系数为 2，需考虑 7 ^ 4=2041 次：

通过以上流程图，不难发现。AI 的第一步棋子，若为 0，1，2，4，5，6。则 Player 总有可能将剩下的两个棋子全部放在 3，从而获胜。以 AI=0 为例，若 player =0,即红色的第 1 枚棋子不在 3，第 2 枚红色棋子不论在哪，都不可能获胜，为方便表述，用序列表示各种组合，序列第一个表是 AI 第一步，第二个数表示 Player 的回应，第三个数表示 AI 的回应。X 表示任意有效移动。 所以[0,0,x]=0，推理得，当序列为[0,x<>3,x]，player 都不能获胜。只有当 player 的第 2 枚棋子为 3 时，AI 的第二枚在不为 3 的情况下都能获胜，所以[0,x=3,x<>3] =-1。共有 6 种情况。最终的结果为（0+0+…(43 个)-1*6）/7 =-1 同理对于其他的四种，结果都为-1。当 AI 第一步就在 3 的话，Player 就不可能获胜，并且 AI 也不能获胜，所以为 0。AI 会选择最高适应度值来走，即会在第 3 列落下棋子。

同理可以分析接下来 AI 的选择。归纳起来便是，如果 AI 的一步使得 Player 获胜的可能性越大，AI 的适应度值越低，AI 也选择适应度较高的，即按照阻止 Player 获胜的走法进行。当然，如果它自己能够获胜，它会优先将自己获胜的走法设置最高适应度。

```python def getPotentialMoves(board, tile, lookAhead): if lookAhead == 0 or isBoardFull(board): ''' 如果难度系数为0，或格子已满 则返回列表值全为0,即此时 适应度值和列的潜在移动值相等。 此时AI将随机降落棋子，失去智能 ''' return [0] * BOARDWIDTH

#确定对手棋子颜色
if tile == RED:
    enemyTile = BLACK
else:
    enemyTile = RED
potentialMoves = [0] * BOARDWIDTH 
#初始一个潜在的移动列表，其数值全部为0
for firstMove in range(BOARDWIDTH):
    #对每一栏进行遍历，将双方中的任一方的移动称为firstMove
    #则另外一方的移动就称为对手，counterMove。
    #这里我们的firstMove为AI，对手为玩家。 
    dupeBoard = copy.deepcopy(board)
    #这里用深复制是为了让board和dupeBoard不互相影响
    if not isValidMove(dupeBoard, firstMove):
    #如果在dupeBoard中黑色棋子移到firstMove栏无效
        continue                             
        #则继续下一个firstMove
    makeMove(dupeBoard, tile, firstMove)     
    #如果是有效移动，则设置相应的格子颜色
    if isWinner(dupeBoard, tile):            
    #如果获胜

        potentialMoves[firstMove] = 1        
        #获胜的棋子自动获得一个很高的数值来表示其获胜的几率
        #数值越大，获胜可能性越大，对手获胜可能性越小。
        break                                
        #不要干扰计算其他的移动
    else:
        if isBoardFull(dupeBoard):           
        #如果dupeBoard中没有空格
            potentialMoves[firstMove] = 0    
            #无法移动
        else:
            for counterMove in range(BOARDWIDTH):
            #考虑对手的移动
                dupeBoard2 = copy.deepcopy(dupeBoard)
                if not isValidMove(dupeBoard2, counterMove):
                    continue
                makeMove(dupeBoard2, enemyTile, counterMove)
                if isWinner(dupeBoard2, enemyTile):
                    potentialMoves[firstMove] = -1 
                    #如果玩家获胜，则AI的在此栏值最低
                    break
                else:
                    # 递归调用getPotentialMoves
                    results = getPotentialMoves(dupeBoard2, tile, lookAhead - 1)
                    potentialMoves[firstMove] += (sum(results) / BOARDWIDTH) / BOARDWIDTH
return potentialMoves

```

4.6 玩家操作

拖拽棋子，判断棋子所在位置的格子，验证棋子的有效性，调用棋子下落函数，完成操作。

```c++ def getHumanMove(board, isFirstMove): draggingToken = False tokenx, tokeny = None, None while True: # pygame.event.get()来处理所有的事件 for event in pygame.event.get(): if event.type == QUIT:#停止，退出 pygame.quit() sys.exit() elif event.type == MOUSEBUTTONDOWN and not draggingToken and REDPILERECT.collidepoint(event.pos): #如果事件类型为鼠标按下，notdraggingToken为True，鼠标点击的位置在REDPILERECT里面 draggingToken = True tokenx, tokeny = event.pos elif event.type == MOUSEMOTION and draggingToken:#如果开始拖动了红色棋子

            tokenx, tokeny = event.pos #更新被拖拽的棋子的位置
        elif event.type == MOUSEBUTTONUP and draggingToken:
        #如果鼠标松开，并且棋子被拖拽

            #如果棋子被拖拽在board的正上方
            if tokeny < YMARGIN and tokenx > XMARGIN and tokenx < WINDOWWIDTH - XMARGIN:
                column = int((tokenx - XMARGIN) / SPACESIZE)#根据棋子的x坐标确定棋子会落的列（0,1...6)
                if isValidMove(board, column):#如果棋子移动有效
                    """
                    掉落在相应的空格子中，
                    这里只是显示一个掉落的效果
                    不用这个函数也能通过下面的代码实现棋子填充空格
                    """
                    animateDroppingToken(board, column, RED)

                    #将空格中最下面的格子设为红色
                    board[column][getLowestEmptySpace(board, column)] = RED
                    drawBoard(board)#在落入的格子中画红色棋子
                    pygame.display.update()#窗口更新
                    return
            tokenx, tokeny = None, None
            draggingToken = False
    if tokenx != None and tokeny != None:#如果拖动了棋子,则显示拖动的棋子
        drawBoard(board, {'x':tokenx - int(SPACESIZE / 2), 'y':tokeny - int(SPACESIZE / 2), 'color':RED})
#并且通过调整x,y的坐标使拖动时，鼠标始终位于棋子的中心位置。
    else:
        drawBoard(board)#当为无效移动时，鼠标松开后，因为此时board中所有格子的值均为none
#调用drawBoard时，进行的操作是显示下面的两个棋子，相当于棋子回到到开始拖动的地方。


    if isFirstMove:

        DISPLAYSURF.blit(ARROWIMG, ARROWRECT)#AI先走，显示提示操作图片

    pygame.display.update()
    FPSCLOCK.tick()

```

4.7 AI 操作

实现 AI 棋子自动移动并降落到相应位置的函数。

c++ def animateComputerMoving(board, column): x = BLACKPILERECT.left#下面黑色棋子的左坐标 y = BLACKPILERECT.top #下面黑色棋子的上坐标 speed = 1.0 while y > (YMARGIN - SPACESIZE):#当y的值较大，即棋子位于窗口下方时 y -= int(speed)#y不断减小，即棋子不断上移 speed += 0.5#减小的速度增加 drawBoard(board, {'x':x, 'y':y, 'color':BLACK}) #y不断变化，不断绘制红色棋子，形成不断上升的效果 pygame.display.update() FPSCLOCK.tick() #当棋子上升到borad顶端时 y = YMARGIN - SPACESIZE#y重新赋值，此时棋子的最下边和board的最上边相切 speed = 1.0 while x > (XMARGIN + column * SPACESIZE):#当x值大于需要移到的列的x坐标时 x -= int(speed)#x值不断减小，即左移 speed += 0.5 drawBoard(board, {'x':x, 'y':y, 'color':BLACK}) #此时y坐标已经不变，即从board上端向左平移到所在列。 pygame.display.update() FPSCLOCK.tick() #黑色棋子降落到计算得到的空格 animateDroppingToken(board, column, BLACK)

通过返回的 potentialMoves，选择其列表中最高的数字作为适应度值，并从这些适应度高栏中随机选择作为最后的移动目标。

c++ def getComputerMove(board): potentialMoves = getPotentialMoves(board, BLACK, DIFFICULTY)#潜在的移动，是一个含BOARDWIDTH个值的列表。。 print potentialMoves #列表值与设置的难度系数有关 bestMoves = [] bestMoveFitness =max(potentialMoves) print bestMoveFitness #建立bestMoves空列表 for i in range(len(potentialMoves)): if potentialMoves[i] == bestMoveFitness and isValidMove(board, i): bestMoves.append(i) #列出所有可以移动到的列，该列表可能为空，可能只有一个值，也可能有多个值 print bestMoves return random.choice(bestMoves)#从可以移动到的列中，随机选择一个作为移动到的目标

4.8 棋子移动操作

通过不断改变棋子的相应坐标，实现下落的动画效果。

```python def getLowestEmptySpace(board, column): # 返回最一列中最下面的空格 for y in range(BOARDHEIGHT-1, -1, -1): if board[column][y] == EMPTY: return y return -1

def makeMove(board, player, column): lowest = getLowestEmptySpace(board, column)#返回一栏中 if lowest != -1:#如果格子中的有空格 board[column][lowest] = player '''则将player(red/black)赋值给一栏中的最low的一个空格 因为，棋子是落在一栏当中所有空格的最下面一个空格 即认定这个格子中的颜色 '''

def animateDroppingToken(board, column, color): x = XMARGIN + column * SPACESIZE #x坐标 y = YMARGIN - SPACESIZE #y坐标 dropSpeed = 1.0#棋子降落的速度 lowestEmptySpace = getLowestEmptySpace(board, column)#一列的空格当中最下面的一个空格

while True:
    y += int(dropSpeed)#y的坐标以dropSpeed叠加
    dropSpeed += 0.5#dropSpeed也在加速，即棋子下落的加速度为0.5
    if int((y - YMARGIN) / SPACESIZE) >= lowestEmptySpace:#判断到达最下面的空格
        return
    drawBoard(board, {'x':x, 'y':y, 'color':color})#y不断变化，不断绘制红色棋子，形成不断降落的效果
    pygame.display.update()
    FPSCLOCK.tick()

```

4.9 一些判断函数

判断棋子的移动是否有效，判断棋盘是否还有空格

```python def isValidMove(board, column): #判断棋子移动有效性 if column < 0 or column >= (BOARDWIDTH) or board[column][0] != EMPTY: #如果列<0,或>BOARDWIDTH,或列中没有空格子 return False
#则为无效的移动，否则有效 return True

def isBoardFull(board): #如果格子中没有空余，则返回True for x in range(BOARDWIDTH): for y in range(BOARDHEIGHT): if board[x][y] == EMPTY: return False return True ```

4.10 获胜条件判断

几张示意图方便了解，获胜的四种情况。图中所示是 x，y 取极值时所对应的位置。

```python def isWinner(board, tile): # 检查水平方向棋子情况 for x in range(BOARDWIDTH - 3):#x的取值为0,1,2,3 for y in range(BOARDHEIGHT):#遍历所有行 #如果x=0,则看第y行前4个棋子否都是相同的棋子，以此类推可以遍历所有的水平棋子四子相连情况.只要有一个x，y成立就可以判定获胜 if board[x][y] == tile and board[x+1][y] == tile and board[x+2][y] == tile and board[x+3][y] == tile: return True

# 检查竖直方向棋子情况，与水平情况类似
for x in range(BOARDWIDTH):
    for y in range(BOARDHEIGHT - 3):
        if board[x][y] == tile and board[x][y+1] == tile and board[x][y+2] == tile and board[x][y+3] == tile:
            return True

# 检查左倾斜方向棋子情况
for x in range(BOARDWIDTH - 3):#x取值0,1,2,3
    for y in range(3, BOARDHEIGHT):#因为左倾斜连成四子时，最坐下面的棋子至少为列中距离最上面四个格子，即y>=3
        if board[x][y] == tile and board[x+1][y-1] == tile and board[x+2][y-2] == tile and board[x+3][y-3] == tile:#判定左倾斜四子同色
            return True

# 检查右倾斜方向棋子情况，与左倾斜类似
for x in range(BOARDWIDTH - 3):
    for y in range(BOARDHEIGHT - 3):
        if board[x][y] == tile and board[x+1][y+1] == tile and board[x+2][y+2] == tile and board[x+3][y+3] == tile:
            return True
return False

```

4.11 程序运行

```c++ def main(): isFirstGame = True #初始isFirstGame

while True: #使游戏一直能够运行下去
    runGame(isFirstGame)
    isFirstGame = False

def runGame(isFirstGame): if isFirstGame: # 刚刚启动游戏第一局时 #让AI先走第一步棋子，以便玩家可以观察到游戏是怎么玩的 turn = COMPUTER showHelp = True else: # 从第二剧开始，随机分配 if random.randint(0, 1) == 0: turn = COMPUTER else: turn = HUMAN showHelp = False ```

5. 实验总结

基于蒙特卡洛搜索树算法，利用 Pygame 模块使用 Python 代码实现了，人工自由选择棋子，AI 通过算法智能跳到的人机大战效果。整个实验，让我们熟悉了 pygame 创建实例和移动的基础知识，也初步了解了蒙特卡洛算法的具体应用。

参考文献

• 基于微服务的游戏鉴赏互动系统设计与实现（华中科技大学·孙宝）
• 游戏管理系统的设计与实现（北京交通大学·张灿）
• 基于J2EE的协同益智游戏的研究（华北电力大学（北京）·郭晶晶）
• 基于轻量级J2EE的网络游戏虚拟物品交易系统的设计与实现（北京邮电大学·曹鹃）
• 基于SSH架构的个人空间交友网站的设计与实现（北京邮电大学·隋昕航）
• 游戏管理系统的设计与实现（北京交通大学·张灿）
• 基于Android平台的手机游戏的设计与开发（云南大学·秦成）
• 手机游戏跨平台开发框架的设计与实现（北京工业大学·郑琳）
• 基于网络爬虫的论坛数据分析系统的设计与实现（华中科技大学·黎曦）
• 基于SSH架构的个人空间交友网站的设计与实现（北京邮电大学·隋昕航）
• 基于Spring与iBatis的游戏活动商城平台设计与实现（北京交通大学·唐玥玚）
• 基于web的旅游服务平台的设计与实现（内蒙古大学·张凡）
• 基于轻量级J2EE的网络游戏虚拟物品交易系统的设计与实现（北京邮电大学·曹鹃）
• 基于WEB的网络拓扑发现系统的设计与实现（华南理工大学·李康）
• 基于B/S结构的实盘训练营系统的设计与实现（华中科技大学·刘喆）