H5版俄罗斯方块(3)---游戏的AI算法

前言:
　　算是"long long ago"的事了, 某著名互联网公司在我校举行了一次"lengend code"的比赛, 其中有一题就是"智能俄罗斯方块". 本着一向甘做分母, 闪耀分子的绿叶精神, 着着实实地打了一份酱油. 这次借学习H5的机会, 再来重温下俄罗斯方块的AI编写. 
　　本系列的文章链接如下:
　　1). 需求分析和目标创新
　　2). 游戏的基本框架和实现
　　这些博文和代码基本是同步的, 并不确定需求是否会改变, 进度是否搁置, 但期翼自己能坚持和实现.

演示&下载:
　　该版本依旧较为简陋, 效果如图所示:
　　
　　其代码下载地址为: http://pan.baidu.com/s/1sjyY7FJ
　　下载解压目录结构如下所示:
　　
　　点击tetris.html, 在浏览器上运行(由于HTML5程序, 最好在Chrome/Firefox上运行).

算法分析:
　　核心算法参考了如下博文:
　　• 传统规则俄罗斯方块AI技术介绍 
　　• 控制台彩色版带AI的『俄罗斯方块』
　　本程序也采用改进的Pierre Dellacherie算法(只考虑当前方块).

　　其对局面的评估, 采用6项指标:
　　1). Landing Height(下落高度): The height where the piece is put (= the height of the column + (the height of the piece / 2))
　　2). Rows eliminated(消行数): The number of rows eliminated.
　　3). Row Transitions(行变换): The total number of row transitions. A row transition occurs when an empty cell is adjacent to a filled cell on the same row and vice versa.
　　4). Column Transitions(列变换): The total number of column transitions. A column transition occurs when an empty cell is adjacent to a filled cell on the same column and vice versa.
　　5). Number of Holes(空洞数): A hole is an empty cell that has at least one filled cell above it in the same column.
　　6). Well Sums(井数): A well is a succession of empty cells such that their left cells and right cells are both filled.

　　对各个指标进行加权求和, 权重系数取自经验值:

1 　　-4.500158825082766
2 　　3.4181268101392694
3 　　-3.2178882868487753
4 　　-9.348695305445199
5 　　-7.899265427351652
6 　　-3.3855972247263626

源码解读:
　　代码文件结构如图所示:
　　
　　• tetris_base.js: 公共的数据结构, 包括方块定义和方块池等
　　• tetris_ai.js: 具体定义了AI的核心算法和数据结构.
　　• tetris_game.js: 是整个程序的展示和驱动.
　　这边主要讲讲tetris_ai.js这个代码文件, 里面有三个重要的类, MoveGenerator, Evaluator, AIStrategy. 
　　MoveGenerator用于生成各个可行落点以及对应的路径线路:

/*
　　* @brief    走法生成器
　　*/
function MoveGenerator() {
}
 
MoveGenerator.prototype.generate = function(tetrisUnit, shape) {
 
    var keymapFunc = function(x, y, idx) {
        return "" + x + ":" + y + ":" + idx;
    }
 
    var moveMapFunc = function(step) {
        return {x:step.x, y:step.y, idx:step.idx};
    }
 
    var results = [];
 
    var boards = tetrisUnit.boards;
    var rownum = tetrisUnit.row;
    var colnum = tetrisUnit.col;
    var shapeArrs = shape.shapes;
 
    var occupy = {}
 
    var actionQueues = [];
    actionQueues.push({x:shape.x, y:shape.y, idx:shape.idx, prev:-1});
    occupy[keymapFunc(shape.x, shape.y, shape.idx)] = true;
 
    var head = 0;
    while ( head < actionQueues.length )  {
        var step = actionQueues[head];
 
        // 1). 向左移动一步
        var tx = step.x - 1;
        var ty = step.y;
        var tidx = step.idx;
        if ( tetrisUnit.checkAvailable(tx, ty, shapeArrs[tidx]) ) {
            var key = keymapFunc(tx, ty, tidx);
            if ( !occupy.hasOwnProperty(key) ) {
                actionQueues.push({x:tx, y:ty, idx:tidx, prev:head});
                occupy[key] = true;
            }
        }
 
        // 2). 向右移动一步
        tx = step.x + 1;
        ty = step.y;
        tidx = step.idx;
        if ( tetrisUnit.checkAvailable(tx, ty, shapeArrs[tidx]) ) {
            var key = keymapFunc(tx, ty, tidx);
            if ( !occupy.hasOwnProperty(key) ) {
                actionQueues.push({x:tx, y:ty, idx:tidx, prev:head});
                occupy[key] = true;
            }
        }
 
        // 3). 旋转一步
        tx = step.x;
        ty = step.y;
        tidx = (step.idx + 1) % 4;
        if ( tetrisUnit.checkAvailable(tx, ty, shapeArrs[tidx]) ) {
            var key = keymapFunc(tx, ty, tidx);
            if ( !occupy.hasOwnProperty(key) ) {
                actionQueues.push({x:tx, y:ty, idx:tidx, prev:head});
                occupy[key] = true;
            }
        }
 
        // 4). 向下移动一步
        tx = step.x;
        ty = step.y + 1;
        tidx = step.idx;
        if ( tetrisUnit.checkAvailable(tx, ty, shapeArrs[tidx]) ) {
            var key = keymapFunc(tx, ty, tidx);
            if ( !occupy.hasOwnProperty(key) ) {
                actionQueues.push({x:tx, y:ty, idx:tidx, prev:head});
                occupy[key] = true;
            }
        } else {
 
            // *) 若不能向下了, 则为方块的一个终结节点.
            var tmpMoves = [];
            tmpMoves.push(moveMapFunc(step));
            var tprev = step.prev;
            while ( tprev != -1 ) {
                tmpMoves.push(moveMapFunc(actionQueues[tprev]));
                tprev = actionQueues[tprev].prev;
            }
            tmpMoves.reverse();
 
            results.push({last:step, moves:tmpMoves});
        }
        head++;
    }
    return results;
 
}

Evaluator类, 则把之前的评估因素整合起来:

function Evaluator() {
}
 
Evaluator.prototype.evaluate = function(boards) {
}
 
function PierreDellacherieEvaluator() {
}
 
PierreDellacherieEvaluator.prototype = new Evaluator();
PierreDellacherieEvaluator.prototype.constructor = PierreDellacherieEvaluator;
 
PierreDellacherieEvaluator.prototype.evaluate = function(boards, shape) {
    return (-4.500158825082766) * landingHeight(boards, shape)          // 下落高度
            + (3.4181268101392694) * rowsEliminated(boards, shape)      // 消行个数
            + (-3.2178882868487753) * rowTransitions(boards)            // 行变换
            + (-9.348695305445199) * colTransitions(boards)             // 列变化
            + (-7.899265427351652) * emptyHoles(boards)                 // 空洞个数
            + (-3.3855972247263626) * wellNums(boards);                 // 井数
}

AIStrategy整合了落地生成器和评估函数, 用于具体决策最优的那个落地点, 以及行动路线.

function AIStrategy() {
　　this.generator = new MoveGenerator();
　　this.evalutor = new PierreDellacherieEvaluator();
}
 
/*
 * @brief 作出最优的策略
 * @return  {dest:{x:{x}, y:{y}, idx:{idx}}, [{action_list}]}
 */
 AIStrategy.prototype.makeBestDecision = function(tetrisUnit, shape) {
 
    var bestMove = null;
    var bestScore = -1000000;
 
    // 1) 生成所有可行的落点, 以及对应的路径线路
    var allMoves = this.generator.generate(tetrisUnit, shape);
 
    // 2) 遍历每个可行的落点, 选取最优的局面落点
    for ( var i = 0; i < allMoves.length; i++ ) {
        var step = allMoves[i].last;
 
        var shapeArrs = shape.shapes;
        var bkBoards = tetrisUnit.applyAction2Data(step.x, step.y, shapeArrs[step.idx]);
 
        // 2.1) 对每个潜在局面进行评估
        var tscore = this.evalutor.evaluate(bkBoards, {x:step.x, y:step.y, shapeArr:shapeArrs[step.idx]});
 
        // 2.2) 选取更新最好的落点和路径线路
        if ( bestMove === null || tscore > bestScore ) {
            bestScore = tscore;
            bestMove = allMoves[i].moves;
        }
    }
 
    // 3) 返回最优可行落点, 及其路径线路
    return {score:bestScore, action_moves:bestMove};
 
 } 

注: 该代码注释, 诠释了决策函数的整个流程.

效果评估:
　　该AI算法的效果不错, 在演示模式下, 跑了一晚上, 依旧好好的活着. 这也满足了之前想要的需求和功能.

总结:
　　该算法的权重系数采用了经验值. 当然了, 也可以借助模拟退火算法来学习参数, 不过由于游戏本身的不确定性/偶然性影响, 收敛的效果并非如预期那么好. 有机会再讲讲. 
　　无论怎么样, 该AI可以扮演一个合格的"麻烦制造者", 让游戏充满趣味和挑战性. 勿忘初心, let's go!!!

http://www.cnblogs.com/mumuxinfei/p/4587325.html