如何讓AI教機器自己玩俄羅斯方塊？

AI科技大本營發表於2019-02-18
AI

640?wx_fmt=jpeg

作者 | Ahab

轉載自公眾號Ahab雜貨鋪（ID:PythonLearningCamp）

人工智慧大火的今天，如果還是自己玩俄羅斯方塊未免顯得太 LOW，為什麼不對遊戲升級，讓機器自己去玩俄羅斯方塊呢？有了這個想法之後，我用了兩天時間去搜集了大量資料，在電腦當機好多次之後終於將 AI 俄羅斯方塊實現了。


程式介紹


所謂讓機器自己去玩俄羅斯方塊，就是讓機器計算當前方塊的所有形態可放置的所有位置，然後根據統一的評價標準，計算出最優的位置進行放置。這個評價的標準簡單的來說就是：板塊放置的位置越靠下越好，方塊之間越緊密越好，自身對消除行的方塊貢獻數量越多越好，但是這裡還要注意的是不可為了追求消除行數，而去造成過多的空洞，這樣也是不合理的。

關於 AI 演算法主要有兩種：一種是經典的 Pierre Dellacherie 演算法，一種基於基於深度搜尋的演算法。深度搜尋需要優化的地方很多，假如計算的層數不夠、沒有高效剪枝，一不小心容易寫成人工智障，時間複雜度也不好。Pierre Dellacherie 演算法更加清晰，複雜度更低。但是該演算法只考慮當前，不對未來的情況進行計算，注重的是“不死性”，追求方塊的“密集”，有時就算可以一次性消除 3 行，卻會使全域性方塊更加“疏”，即過多的空洞。

程式碼由 Tetris.py、AI.py 和 Utils.py 三部分組成，遊戲的主要邏輯由 Tetis 控制，Utils 定義了方塊的樣式，AI 顧名思義實現了主要的 AI 演算法。


具體介紹


Pierre Dellacherie 演算法

只考慮當前方塊，不對未來的情況進行計算，注重的是“不死性”，演算法每次生成一個方塊，便窮舉該方塊所有旋轉的落點。一種方塊最多有 4 種旋轉，並且由於遊戲介面是 10*20 的，所以對於每個旋轉形狀，只需要考慮 10 種落點。演算法的核心是一個評估函式，對窮舉出的每一種下落情況，計算 6 個引數值，用評估函式加權求和得到一個值，該值最大的情況便是目前方塊的最優下落位置，六個引數分別是：

1. 下落高度（Landing Height）

當前方塊落下去之後，方塊中點距底部的方格數（事實上，不求中點也是可以的）。

2. 消行數（Rows eliminated）

消行層數與當前方塊貢獻出的方格數乘積。

3. 行變換（Row Transitions）

  • 從左到右（或者反過來）檢測一行，當該行中某個方格從有方塊到無方塊（或無方塊到有方塊），視為一次變換。遊戲池邊界算作有方塊。行變換從一定程度上反映出一行的平整程度，越平整值越小；

  • 該指標為所有行的變換數之和；

  • 如圖：■ 表示有方塊，□ 表示空格（遊戲池邊界未畫出）

    • ■■□□■■□□■■□□ 變換數為 6

    • □□□□□■□■□■□■ 變換數為 9

    • ■■■■□□□□□□■■ 變換數為 2

    • ■■■■■■■■■■■■ 變換數為 0

4. 列變換（Column Transitions）

大意同上，列變換從一定程度上反映出一列中空洞的集中程度，空洞越集中值越小。

5. 空洞數（Number of Holes）

6. 井的總和（Well Sums）

井指兩邊皆有方塊的空列。該指標為所有井的深度連加到 1 再求總和。

注意一列中可能有多個井，如圖：

  •    ■□□ 

  •    ■□■ 

  •    ■□■ 

  •    ■■■ 

  •    ■□■ 

  •    ■□■ 

  •    ■□■ 
中間一列為井，深度連加到一的和為 (2+1)+(3+2+1)=9
640?wx_fmt=png
評估函式如下 (首字母簡寫)：
640?wx_fmt=gif
關於方塊形態
這裡對 AI 俄羅斯方塊的形態做一下特別說明，各個方塊都是根據中心點的座標來生成的，以（0，0）為中心點，在 x、y 軸加減 1 則是其他方格的座標，這樣的好處就是隻要確定中心點座標，其他的方格位置就能隨即生成。
看圖就懂：
640?wx_fmt=png

 1# 每種塊包含的四個小方塊相對座標分佈
 2        self.shapes_relative_coords = [
 3                                         [[0, 0], [0, 0], [0, 0], [0, 0]],
 4                                         [[0, -1], [0, 0], [0, 1], [0, 2]],
 5                                         [[0, -1], [0, 0], [0, 1], [1, 1]],
 6                                         [[0, -1], [0, 0], [0, 1], [-1, 1]],
 7                                         [[0, -1], [0, 0], [0, 1], [1, 0]],
 8                                         [[0, 0], [0, -1], [1, 0], [1, -1]],
 9                                         [[0, 0], [0, -1], [-1, 0], [1, -1]],
10                                         [[0, 0], [0, -1], [1, 0], [-1, -1]]
11                                      ]

基於深度搜尋的方法暫不介紹。

收穫成果

以上，感興趣的同學可通過網盤獲取原始碼：https://pan.baidu.com/s/1gC6sF62Pz5D6rh6eicOZUw，提取碼: k17b。

（本文為AI科技大本營轉載文章，轉載請聯絡原作者）

精彩推薦

640?wx_fmt=png
推薦閱讀：
                         640?wx_fmt=png
點選“閱讀原文”，開啟CSDN APP 閱讀更貼心。

              




相關文章