象棋程序主要使用以下几种算法：
搜索算法
深度优先搜索 （DFS）：这是一种用于遍历或搜索树或图的算法。在象棋程序中，DFS用于探索所有可能的棋步。
广度优先搜索 （BFS）：这是一种图形搜索算法，从根节点开始，探索所有相邻节点，然后再移向下一层邻居，直到找到目标节点。在象棋中，BFS用于找到最短路径（最少步数）的着法。
迭代加深搜索 （IDS）：这是一种深度优先搜索的变种，每次搜索的深度有限，逐渐增加深度，直到达到预定的深度限制或找到解决方案。
A*搜索：这是一种启发式搜索算法，结合了BFS和启发式信息（如棋子的价值）来指导搜索方向，从而提高搜索效率。
评估函数
评估函数用于对当前棋局进行评分，帮助程序决定最佳走法。它通常基于棋子的位置、棋子的价值和棋局的整体战略。
博弈算法
极小化极大算法 （Minimax）：这是一种在双人零和游戏中寻找最佳策略的算法。在象棋中，Minimax算法用于模拟双方轮流走棋，选择使对方损失最大的走法。
Alpha-Beta剪枝：这是Minimax算法的一个优化版本，通过剪枝技术减少搜索空间，提高搜索效率。Alpha-Beta剪枝算法在搜索过程中剪掉那些不可能被选择的分支，从而减少计算量。
其他算法
蒙特卡洛树搜索 （MCTS）：这是一种结合了随机模拟和树搜索的算法，常用于训练和优化棋类AI。MCTS通过在模拟棋局中随机走棋，并根据结果更新树结构，最终选择最有希望的着法。
深度学习
现代的象棋程序还可以使用深度学习技术，如神经网络，来训练AI。通过大量对局和自我对弈，神经网络可以学习棋局的模式和策略，从而提高棋力。
建议
在选择算法时，需要根据具体需求和计算资源进行权衡。对于初学者，可以从基本的搜索算法和评估函数开始，逐步学习更复杂的算法和技术。对于高级用户，可以考虑使用深度学习技术来构建更强大的象棋AI。