使用 Python 的 AI – 游戏
游戏需要策略。每个玩家或团队在开始游戏之前都会制定策略，他们必须根据游戏中的当前情况更改或构建新策略。
搜索算法
您还必须考虑具有与上述相同策略的计算机游戏。请注意，搜索算法是找出计算机游戏中策略的算法。
工作原理
搜索算法的目标是找到最佳动作集，以便它们能够到达最终目的地并获胜。这些算法使用获胜条件集（每个游戏都不同）来找到最佳动作。
将计算机游戏可视化为树。我们知道树有节点。从根开始，我们可以找到最终的获胜节点，但具有最佳动作。这就是搜索算法的工作。这种树中的每个节点都代表一个未来状态。搜索算法通过这棵树进行搜索，在游戏的每个步骤或节点做出决策。
组合搜索
使用搜索算法的主要缺点是它们本质上是详尽的，这就是为什么它们会探索整个搜索空间来寻找导致资源浪费的解决方案。如果这些算法需要搜索整个搜索空间来找到最终解决方案，那将更加麻烦。
为了消除这类问题，我们可以使用组合搜索，它使用启发式方法来探索搜索空间，并通过消除可能的错误动作来减小其大小。因此，这种算法可以节省资源。这里讨论了一些使用启发式方法来搜索空间并节省资源的算法−
极小极大算法
组合搜索使用的策略是使用启发式来加速搜索策略。可以用双人游戏的例子来理解 Minimax 策略的概念，其中每个玩家都试图预测对手的下一步动作并试图最小化该函数。此外，为了获胜，玩家总是试图根据当前情况最大化自己的函数。
启发式在 Minimax 等策略中起着重要作用。树的每个节点都会有一个与之相关的启发式函数。基于该启发式，它将决定朝着最有利的节点移动。
Alpha-Beta 剪枝
Minimax 算法的一个主要问题是它可以探索树中不相关的部分，从而导致资源浪费。因此，必须有一种策略来决定树的哪些部分是相关的，哪些部分是不相关的，并且不探索不相关的部分。Alpha-Beta 剪枝就是这样一种策略。
Alpha-Beta 剪枝算法的主要目标是避免搜索树中没有任何解决方案的部分。Alpha-Beta 剪枝的主要概念是使用两个边界，分别称为 Alpha（最大下限）和 Beta（最小上限）。这两个参数是限制可能解决方案集的值。它将当前节点的值与 alpha 和 beta 参数的值进行比较，以便它可以移动到树中具有解决方案的部分并丢弃其余部分。
Negamax 算法
该算法与 Minimax 算法没有什么不同，但它的实现更优雅。使用 Minimax 算法的主要缺点是我们需要定义两个不同的启发式函数。这些启发式之间的联系是，游戏状态对一个玩家越好，对另一个玩家就越差。在 Negamax 算法中，两个启发式函数的相同工作是在单个启发式函数的帮助下完成的。
构建机器人来玩游戏
为了在 AI 中构建机器人来玩双人游戏，我们需要安装 easyAI 库。它是一个人工智能框架，提供构建双人游戏的所有功能。您可以在以下命令的帮助下下载它 −
pip install easyAI
玩 Last Coin Standing 的机器人
在这个游戏中，会有一堆硬币。每个玩家必须从那堆硬币中拿走一定数量的硬币。游戏的目标是避免拿走硬币堆中的最后一枚硬币。我们将使用从 easyAI 库的 TwoPlayersGame 类继承的类 LastCoinStanding。以下代码显示了此游戏的 Python 代码 −
按照所示导入所需的包 −
from easyAI import TwoPlayersGame, id_solve, Human_Player, AI_Player from easyAI.AI import TT
现在，从 TwoPlayerGame 类继承该类来处理游戏的所有操作 −
class LastCoin_game(TwoPlayersGame): def __init__(self, players):
现在，定义玩家和将要开始游戏的玩家。
self.players = players self.nplayer = 1
现在，定义游戏中的硬币数量，这里我们使用 15 个硬币进行游戏。
self.num_coins = 15
定义玩家在一次移动中可以获取的最大硬币数量。
self.max_coins = 4
现在有一些特定的东西需要定义，如下面的代码所示。定义可能的移动。
def possible_moves(self): return [str(a) for a in range(1, self.max_coins + 1)]
定义硬币的移除
def make_move(self, move): self.num_coins -= int(move)
定义谁拿走了最后一枚硬币。
def win_game(self): return self.num_coins <= 0
定义何时停止游戏，即当有人获胜时。
def is_over(self): return self.win()
定义如何计算分数。
def score(self): return 100 if self.win_game() else 0
定义堆中剩余的硬币数量。
def show(self): print(self.num_coins, 'coins left in the pile') if __name__ == "__main__": tt = TT() LastCoin_game.ttentry = lambda self: self.num_coins
使用以下代码块 − 解决游戏问题
r, d, m = id_solve(LastCoin_game, range(2, 20), win_score=100, tt=tt) print(r, d, m)
决定谁将开始游戏
game = LastCoin_game([AI_Player(tt), Human_Player()]) game.play()
您可以找到以下输出和此游戏的简单玩法 −
d:2, a:0, m:1 d:3, a:0, m:1 d:4, a:0, m:1 d:5, a:0, m:1 d:6, a:100, m:4 1 6 4 15 coins left in the pile Move #1: player 1 plays 4 : 11 coins left in the pile Player 2 what do you play ? 2 Move #2: player 2 plays 2 : 9 coins left in the pile Move #3: player 1 plays 3 : 6 coins left in the pile Player 2 what do you play ? 1 Move #4: player 2 plays 1 : 5 coins left in the pile Move #5: player 1 plays 4 : 1 coins left in the pile Player 2 what do you play ? 1 Move #6: player 2 plays 1 : 0 coins left in the pile
一个玩井字游戏的机器人
井字游戏非常熟悉，也是最受欢迎的游戏之一。让我们使用 Python 中的 easyAI 库来创建这个游戏。以下代码是这个游戏的 Python 代码 −
按照所示导入包 −
from easyAI import TwoPlayersGame, AI_Player, Negamax from easyAI.Player import Human_Player
从 TwoPlayerGame 类继承该类来处理游戏的所有操作 −
class TicTacToe_game(TwoPlayersGame): def __init__(self, players):
现在，定义玩家和将要开始游戏的玩家 −
self.players = players self.nplayer = 1
定义棋盘类型 −
self.board = [0] * 9
现在有一些特定的事情需要定义如下 −
定义可能的移动
def possible_moves(self): return [x + 1 for x, y in enumerate(self.board) if y == 0]
定义玩家的移动 −
def make_move(self, move): self.board[int(move) - 1] = self.nplayer
为了增强 AI，定义玩家何时移动 −
def umake_move(self, move): self.board[int(move) - 1] = 0
定义失败条件，即对手有三块连成一线
def condition_for_lose(self):
possible_combinations = [[1,2,3], [4,5,6], [7,8,9],
[1,4,7], [2,5,8], [3,6,9], [1,5,9], [3,5,7]]
return any([all([(self.board[z-1] == self.nopponent)
for z in combination]) for combination in possible_combinations])
定义游戏结束的检查
def is_over(self): return (self.possible_moves() == []) or self.condition_for_lose()
显示玩家在游戏中的当前位置
def show(self):
print('
'+'
'.join([' '.join([['.', 'O', 'X'][self.board[3*j + i]]
for i in range(3)]) for j in range(3)]))
计算分数。
defscoring(self): return -100 if self.condition_for_lose() else 0
定义主要方法来定义算法并开始游戏−
if __name__ == "__main__": algo = Negamax(7) TicTacToe_game([Human_Player(), AI_Player(algo)]).play()
您可以看到以下输出和此游戏的简单玩法 −
. . . . . . . . . Player 1 what do you play ? 1 Move #1: player 1 plays 1 : O . . . . . . . . Move #2: player 2 plays 5 : O . . . X . 121 . . . Player 1 what do you play ? 3 Move #3: player 1 plays 3 : O . O . X . . . . Move #4: player 2 plays 2 : O X O . X . . . . Player 1 what do you play ? 4 Move #5: player 1 plays 4 : O X O O X . . . . Move #6: player 2 plays 8 : O X O O X . . X .
