CS303《人工智能》课程的第一个大作业，反向规则黑白棋（传统黑白棋是棋子多的一方获胜，反向黑白棋是棋子少的一方获胜）。 这个仓库包含以下内容 黑白棋模拟器 ReversiSimulator（用matplotlib.scatter即可实现简易的棋盘打印功能） Minimax搜索 + $alpha-beta$剪枝 agents/ 评估函数的设计 agents/ （位置权重，稳定子，前沿子，行动力，时间权重（考虑得不够多）） 遗传算法调参 evolve.py（重头戏，一众Minimax里面获胜变成精挑参数比赛） 快速使用 *这本质是个调参项目，重点是调参而不是下棋，运行之前先pip install -r requirements.txt python evolve.py 默认演化1000代，可以ctrl+C打断然后去checkpoints/里看结果 规则 提交一个.py文件，包括一个class AI，实际操作时会依次调用双方AI的go方法，结果放在self.candidate_list中，取最后一个作为这一方决定的落子点。 每一步限制5秒，5秒后打断玩家并从candidate_list中去最后一个作为落子点。违规行为（如落子点不能落子，抛出未处理的异常等）会被直接判负。 比赛包含排位赛和循环赛两部分，排位赛不入总分，循环赛中每个玩家会与所有其他玩家分别执黑执白对战两局。 每个玩家只能使用一个CPU线程，可以使用的第三方包：numpy，timeout_decorator，numba（后来加入）。 前置知识 详细讲过的：Python入门，图搜索算法，Minimax搜索算法只是提到过的：MCTS 使用方法 这个仓库原本只用来下黑白棋，不过其他模式的超参数也可以用它来调整（毕竟AI年年下棋，说不定万一用得上），你需要： 一个（或者多个）Agent对象，实现两个方法：self.to_list()把自己的参数转化为列表，self.from_list(list)从一个列表里加载参数，就可以用GeneticAlgorithm里的方法进行遗传变异 一个（或者多个）种群评估函数（fitness） 编写你自己的evolve.py脚本，可以定义自己的评估过程和参数的上下界，遗传变异的选择参数和变异用的随机函数都可以自行决定 碎碎念 当时用的遗传算法脚本比这个要简陋得多，后来才做成这样一个“像仓库的样子”。不过用这个方法拿到了双榜前10，可能是因为大家都写MInimax算法，于是就变成调参比赛，这样的话能拿出遗传算法的思路感觉比手动调还是更有意思 评估函数设计中，整个过程共用一套棋盘位置权重参数是一个绊脚石，按道理来讲，前中后期用不同的参数效果理论上更好。如果AI还是继续以往年年下棋的作业，可以尝试一次性调更多的参数 本人没有学过OOAD，没有设计模式的概念，代码风格比较随意（ GitHub View Github