Python遊戲開發實例之graphics實現AI五子棋
前言
利用Python+graphics模塊實現AI五子棋。
讓我們愉快地開始吧~~~
效果展示
源碼
import sys import cfg from modules.misc.Buttons import * from modules.ai.playWithAI import * from modules.online.playOnline import * from PyQt5.QtGui import * from PyQt5.QtCore import * from PyQt5.QtWidgets import * '''遊戲開始界面''' class gameStartUI(QWidget): def __init__(self, parent=None, **kwargs): super(gameStartUI, self).__init__(parent) self.setFixedSize(760, 650) self.setWindowTitle('五子棋-微信號: ilove-python') self.setWindowIcon(QIcon(cfg.ICON_FILEPATH)) # 背景圖片 palette = QPalette() palette.setBrush(self.backgroundRole(), QBrush(QPixmap(cfg.BACKGROUND_IMAGEPATHS.get('bg_start')))) self.setPalette(palette) # 按鈕 # --人機對戰 self.ai_button = PushButton(cfg.BUTTON_IMAGEPATHS.get('ai'), self) self.ai_button.move(250, 200) self.ai_button.show() self.ai_button.click_signal.connect(self.playWithAI) # --聯機對戰 self.online_button = PushButton(cfg.BUTTON_IMAGEPATHS.get('online'), self) self.online_button.move(250, 350) self.online_button.show() self.online_button.click_signal.connect(self.playOnline) '''人機對戰''' def playWithAI(self): self.close() self.gaming_ui = playWithAIUI(cfg) self.gaming_ui.exit_signal.connect(lambda: sys.exit()) self.gaming_ui.back_signal.connect(self.show) self.gaming_ui.show() '''聯機對戰''' def playOnline(self): self.close() self.gaming_ui = playOnlineUI(cfg, self) self.gaming_ui.show() '''run''' if __name__ == '__main__': app = QApplication(sys.argv) handle = gameStartUI() font = QFont() font.setPointSize(12) handle.setFont(font) handle.show() sys.exit(app.exec_())
開發工具
Python版本: 3.6.4
相關模塊:
graphics模塊。
環境搭建
安裝Python並添加到環境變量即可。
註:
graphics模塊在相關文件中已經提供,就是一個py文件,直接放在當前路徑或者放到python安裝文件夾下的site-packages文件夾內均可。
原理簡介
對於五子棋這樣的博弈類AI,很自然的想法就是讓計算機把當前所有可能的情況都嘗試一遍,找到最優的落子點。這裡有兩個問題:
(1)如何把所有可能的情況都嘗試一遍;
(2)如何定量判斷某落子點的優劣。
對於第一個問題,其實就是所謂的博弈樹搜索,對於第二個問題,其實就是所謂的選擇評估函數。評估函數的選取直接決定瞭AI算法的優劣,其形式也千變萬化。可以說,每個評估函數就是一個選手,對不同的棋型每個選手自然有不同的看法和應對措施,當然他們的棋力也就因此各不相同瞭。
但博弈樹搜索就比較固定瞭,其核心思想無非是讓計算機考慮當前局勢下之後N步所有可能的情況,其中奇數步(因為現在輪到AI下)要讓AI方的得分最大,偶數步要讓AI方的得分最小(因為對手也就是人類,也可以選擇最優策略)。
當然這樣的搜索其計算量是極大的,這時候就需要剪枝來減少計算量。例如下圖:
其中A代表AI方,P代表人類方。AI方搜索最大值,人類方搜索最小值。因此Layer3的A1
向下搜索的最終結果為4,Layer3的A2
向下搜索,先搜索Layer4的P3
,獲得的分值為6,考慮到Layer2的P1
向下搜索時取Layer3的A1和A2
中的較小值,而Layer3的A2
搜索完Layer4的P3
時,其值就已經必大於Layer3的A1
瞭,就沒有搜索下去的必要瞭,因此Layer3到Layer4的路徑3就可以剪掉瞭
。
上述搜索策略其實質就是:
minimax算法+alpha-beta剪枝算法。
瞭解瞭上述原理之後,就可以自己寫代碼實現瞭。當然實際實現過程中,我做瞭一些簡化,但萬變不離其宗,其核心思想都是一樣的。
到此這篇關於Python遊戲開發實例之graphics實現AI五子棋的文章就介紹到這瞭,更多相關Python AI五子棋內容請搜索WalkonNet以前的文章或繼續瀏覽下面的相關文章希望大傢以後多多支持WalkonNet!
推薦閱讀:
- python遊戲實戰項目之智能五子棋
- 關於pyqt5彈出提示框的詳細介紹
- python編程PyQt5創建按鈕及觸發點擊事件示例解析
- Python PyQt5中彈出子窗口解決子窗口一閃而過的問題
- Pyqt5 實現多線程文件搜索的案例