Skip to content

搜索与启发式规划AI智能体,开发智能体让他自动玩游戏

Notifications You must be signed in to change notification settings

loks666/pacman-engine

Folders and files

NameName
Last commit message
Last commit date

Latest commit

 

History

33 Commits
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 

Repository files navigation

🎮 Pacman-Agent 挑战

🐱‍👤 pacman-engine

欢迎来到 Pacman-Agent 挑战!🎉 这个引擎最初由加州大学伯克利分校的 John DeNeroDan Klein创建。📚

🚀 如何开始

要以键盘控制的方式运行游戏引擎,请使用以下命令:

python pacman.py

🛠️ 环境配置

  • Python 版本:3.12.7 🐍

🕹️ 游戏挑战

以下是简单难度的两个游戏挑战。你需要实现 ce811ManhattanGhostDodgerAgentce811ManhattanGhostDodgerHunterAgent 来完成这些挑战。⚔️👻

注意:由于难度设置,以下命令可能会报错。你需要修复 ce811ManhattanGhostDodgerAgent 后再进行游戏。🔧

挑战1:简单循环迷宫

python pacman.py -l simpleLoopMaze -p ce811ManhattanGhostDodgerAgent

挑战2:带胶囊的简单循环迷宫

python pacman.py -l simpleLoopMazeCapsule -p ce811ManhattanGhostDodgerHunterAgent

📝 额外任务

以下命令需要你将 part2 文件夹中的相应 .py 文件内容复制到 ce811Assignment2Agents.py 中后再执行:

  1. 一阶预测曼哈顿代理

    python pacman.py -p ce811OneStepLookaheadManhattanAgent
    • part2/1.py 内容复制到 ce811Assignment2Agents.py
  2. 一阶预测迪杰斯特拉代理

    python pacman.py -p ce811OneStepLookaheadDijkstraAgent
    • part2/4.py 内容复制到 ce811Assignment2Agents.py
  3. 迪杰斯特拉规则代理

    python pacman.py -l simpleLoopMazeCapsule -p ce811DijkstraRuleAgent
    • part2/5.py 内容复制到 ce811Assignment2Agents.py
  4. 迪杰斯特拉规则代理(无迷宫指定)

    python pacman.py -p ce811DijkstraRuleAgent
    • part2/6.py 内容复制到 ce811Assignment2Agents.py

⚡ 快速获取游戏解决方案

如果你想快速获得游戏解决方案,可以在每个命令后添加 -f -q -n 10 参数。这将以无界面方式运行10次游戏,并为你提供平均分。📈

python pacman.py [你的命令] -f -q -n 10

🛡️ 实现代理

为了完成 简单难度 的两个游戏挑战,你需要实现以下代理:

  • ce811ManhattanGhostDodgerAgent 🏃‍♂️👻
  • ce811ManhattanGhostDodgerHunterAgent 🎯👻

确保在运行挑战时,这些代理已正确实现并放置在相应的文件中。🗂️

❓ 有问题?

如果在执行过程中遇到任何问题,请检查以下几点:

  1. Python 版本是否正确(3.12.7)🐍。
  2. 代理文件是否已正确复制并命名为 ce811Assignment2Agents.py 📂。
  3. 命令参数是否正确无误 📝。
  4. python pacman.py -p ce811MyBestAgent
  5. python pacman.py -p ce811MyBestAgent -f -q -n 10

祝你游戏愉快,挑战成功!🎉🍀


如果你有任何疑问或需要进一步的帮助,请随时联系我,付费费咨询:QQ:284190056


项目实现思路

智能体决策被拆分为「目标选择 → 路径规划 → 动作评估 → 策略切换」四个模块:

  • 目标选择:基于曼哈顿距离对食物/胶囊排序,设置胶囊优先阈值,动态选择目标。
  • 路径规划:以迷宫栅格为图执行 Dijkstra,生成最短路;结合鬼魂分布构建动态代价地图,鬼魂半径内按距离提高代价以规避风险。
  • 动作评估:对每个合法动作打分(安全/进度双权重),综合鬼魂距离与食物距离做数值化比较。
  • 策略切换:当检测到近距离非惊吓鬼魂时优先选择“安全评分最高”的动作,安全状态则按规划路径推进。

挑战:冲击 100% 通关

欢迎你在不同布局上尝试实现 100% 通关!你可以从参数调优、代价函数设计、前瞻深度与策略切换规则等方向入手。

python pacman.py -p ce811MyBestAgent -f -q -n 10

About

搜索与启发式规划AI智能体,开发智能体让他自动玩游戏

Topics

Resources

Stars

Watchers

Forks

Releases

No releases published

Packages

No packages published

Languages