游戲(賭勝負(fù))采用策略進(jìn)行。 每個(gè)球員或球隊(duì)在開始比賽前都會制定一個(gè)戰(zhàn)略，他們必須根據(jù)目前的比賽情況改變或制定新的戰(zhàn)略。

搜索算法

考慮電腦游戲也采用與上述相同的策略。 請注意，搜索算法是計(jì)算電腦游戲策略的算法。

怎么運(yùn)行的
搜索算法的目標(biāo)是找到最優(yōu)的一組移動(dòng)，以便他們可以到達(dá)最終目的地并獲勝。 這些算法使用勝出的一組條件，每場比賽都有所不同，以找到最佳的移動(dòng)方式。

將電腦游戲形象化為樹。 我們都知道樹有節(jié)點(diǎn)。 從根開始，可以進(jìn)入最終的獲勝節(jié)點(diǎn)，但是具有最佳的移動(dòng)路徑。 這是搜索算法的工作。 這種樹中的每個(gè)節(jié)點(diǎn)代表未來的狀態(tài)。 搜索算法搜索這棵樹，在游戲的每個(gè)步驟或節(jié)點(diǎn)做出決定。

組合搜索

使用搜索算法的主要缺點(diǎn)是它們本質(zhì)上是窮盡的，這就是為什么他們探索整個(gè)搜索空間以找到導(dǎo)致資源浪費(fèi)的解決方案。如果這些算法需要搜索整個(gè)搜索空間以找到最終解決方案，那將更加麻煩。

要消除這樣的問題，可以使用組合搜索，它使用啟發(fā)式來探索搜索空間，并通過消除可能的錯(cuò)誤動(dòng)作來減小其大小。 因此，這樣的算法可以節(jié)省資源。 這里討論了一些使用啟發(fā)式搜索空間并節(jié)省資源的算法 -

Minimax算法

這是組合搜索使用啟發(fā)式策略加快搜索策略的策略。 Minimax策略的概念可以通過兩個(gè)玩家游戲的例子來理解，其中每個(gè)玩家都試圖預(yù)測對手的下一步行動(dòng)并嘗試最小化該功能。 而且，為了獲勝，玩家總是會根據(jù)當(dāng)前的情況嘗試最大化自己的功能。

啟發(fā)式在像Minimax這樣的策略中扮演著重要的角色。 樹的每個(gè)節(jié)點(diǎn)都會有一個(gè)與之相關(guān)的啟發(fā)式函數(shù)。 基于這種啟發(fā)式方法，它將決定向最有利于他們的節(jié)點(diǎn)邁進(jìn)。

Alpha-Beta修剪

Minimax算法的一個(gè)主要問題是它可以探索那些無關(guān)的樹的部分，導(dǎo)致資源的浪費(fèi)。 因此，必須有一個(gè)策略來決定樹的哪一部分是相關(guān)的，哪一個(gè)是無關(guān)緊要的，并且將不相關(guān)的部分留給未開發(fā)的部分。 Alpha-Beta修剪就是這樣一種策略。

Alpha-Beta修剪算法的主要目標(biāo)是避免搜索樹中沒有任何解決方案的那些部分。 Alpha-Beta修剪的主要概念是使用名為Alpha的兩個(gè)邊界(最大下界)和Beta，即最小上界。 這兩個(gè)參數(shù)是限制可能解決方案集合的值。 它將當(dāng)前節(jié)點(diǎn)的值與alpha和beta參數(shù)的值進(jìn)行比較，以便它可以移動(dòng)到具有解決方案的樹部分并丟棄其余部分。

Negamax算法

這個(gè)算法與Minimax算法沒有區(qū)別，但它具有更優(yōu)雅的實(shí)現(xiàn)。 使用Minimax算法的主要缺點(diǎn)是需要定義兩個(gè)不同的啟發(fā)式函數(shù)。 這些啟發(fā)式之間的聯(lián)系是，對于一個(gè)玩家來說游戲的狀態(tài)越好，對另一個(gè)玩家來說就越糟糕。 在Negamax算法中，兩個(gè)啟發(fā)函數(shù)的相同工作是在單個(gè)啟發(fā)式函數(shù)的幫助下完成的。

建設(shè)機(jī)器人玩游戲

要在AI中構(gòu)建機(jī)器人玩兩個(gè)玩家游戲，需要安裝easyAI庫。 這是一個(gè)人工智能框架，提供了構(gòu)建雙人游戲的所有功能。 可以通過以下命令下載它 -

pip install easyAI

一個(gè)機(jī)器人玩最后的硬幣

在這場比賽中，會有一堆硬幣。 每個(gè)玩家必須從該堆中取出一些硬幣。這場比賽的目標(biāo)是避免拿下最后一枚硬幣。 我們將使用繼承自easyAI庫的TwoPlayersGame類的LastCoinStanding類。 以下代碼顯示了此游戲的Python代碼 -

如下所示導(dǎo)入所需的軟件包 -

from easyAI import TwoPlayersGame, id_solve, Human_Player, AI_Player
from easyAI.AI import TT

現(xiàn)在，繼承TwoPlayerGame類中的類來處理游戲的所有操作 -

class LastCoin_game(TwoPlayersGame):
    def __init__(self, players):

定義要玩家并開始游戲。

self.players = players
self.nplayer = 1

定義游戲中的硬幣數(shù)量，這里使用15個(gè)硬幣進(jìn)行游戲。

self.num_coins = 15

定義玩家在移動(dòng)中可以獲得的最大硬幣數(shù)量。

self.max_coins = 4

現(xiàn)在有一些東西需要定義，如下面的代碼所示。 定義可能的移動(dòng)。

def possible_moves(self):
   return [str(a) for a in range(1, self.max_coins + 1)]

定義硬幣的清除 -

def make_move(self, move):
   self.num_coins -= int(move)

定義誰拿走了最后一枚硬幣。

def win_game(self):
   return self.num_coins <= 0

定義何時(shí)停止游戲，即何時(shí)有人獲勝。

def is_over(self):
   return self.win()

定義如何計(jì)算分?jǐn)?shù)。

def score(self):
   return 100 if self.win_game() else 0

定義堆中剩余的硬幣數(shù)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

用下面的代碼塊解決游戲 -

r, d, m = id_solve(LastCoin_game,
   range(2, 20), win_score=100, tt=tt)
print(r, d, m)

決定誰將開始游戲

game = LastCoin_game([AI_Player(tt), Human_Player()])
game.play()

下面的輸出演示這個(gè)游戲的簡單玩法 -

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

機(jī)器人玩井字游戲

Tic-Tac-Toe非常熟悉，是最受歡迎的游戲之一。我們通過使用Python中的easyAI庫來創(chuàng)建這個(gè)游戲。 以下代碼是這款游戲的Python代碼 -

如下所示導(dǎo)入軟件包 -

from easyAI import TwoPlayersGame, AI_Player, Negamax
from easyAI.Player import Human_Player

繼承TwoPlayerGame中的類來處理游戲的所有操作 -

class TicTacToe_game(TwoPlayersGame):
   def __init__(self, players):

現(xiàn)在，定義玩家并開始游戲 -

self.players = players
self.nplayer = 1

定義板的類型 -

self.board = [0] * 9

定義可能的舉措(動(dòng)作)

def possible_moves(self):
    return [x + 1 for x, y in enumerate(self.board) if y == 0]

定義一個(gè)玩家的舉措(動(dòng)作) -

def make_move(self, move):
    self.board[int(move) - 1] = self.nplayer

定義一個(gè)玩家何時(shí)進(jìn)行移動(dòng) -

def umake_move(self, move):
   self.board[int(move) - 1] = 0

定義輸條件是對手在一條線上有三個(gè) -

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])

定義游戲結(jié)束的條件 -

def is_over(self):
   return (self.possible_moves() == []) or self.condition_for_lose()

顯示玩家在游戲中的當(dāng)前位置 -

def show(self):
   print('\n'+'\n'.join([' '.join([['.', 'O', 'X'][self.board[3*j + i]]
      for i in range(3)]) for j in range(3)]))

計(jì)算分?jǐn)?shù)代碼 -

def scoring(self):
   return -100 if self.condition_for_lose() else 0

定義定義算法并開始游戲的主要方法 -

if __name__ == "__main__":
   algo = Negamax(7)
   TicTacToe_game([Human_Player(), AI_Player(algo)]).play()

可以看到下面的輸出和這個(gè)游戲的簡單玩法 -

. . .
. . .
. . .
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 .