“RaceTrack”游戏的AI算法

Question

有谁知道（或可以建议）用于RaceTrack铅笔纸游戏的 AI 的好算法？

由于您在每个步骤中有 9 个可能的选择，并且您需要至少提前 6-10 个步骤来决定一个好的策略，因此即使您可以排除一些选择，因为与边界相交，蛮力也变得非常昂贵。

目前我正在尝试为每个选择分配一些质量值，以便决定排除哪些选择 - 但我还不知道如何分配这样一个质量值的良好规则。

Answer 1

我制作了一个 C++ 求解器，它有点太长（187 行），无法舒适地放在这里，所以我把它放在了 pastebin 中： http://pastebin.com/3G4dfTjR 。 该程序要么计算一个最优（最小可能的移动次数）解决方案，要么报告一个不可能的解决方案。

用法

以racetrack startX startY goalX goalY [circleX circleY radius]运行程序。

该程序假定一个 100x100 的网格，可以选择包含一个圆形障碍物，其中心和半径由您指定。 您必须另外指定汽车的初始位置和单个目标位置。 尽管这些约束有些限制性，但看一下代码应该可以明显看出它们通常不会限制算法——所有相关逻辑都封装在isMoveValid()和isGoalState()例程中，所以如果有人可以麻烦实现这些例程的更通用版本（例如，允许用户指定网格位置的 bitmap，和/或允许多个目标位置）然后可以毫无困难地合并。

唯一的小麻烦是让目标位置与起始位置相同（或接近，但“在另一侧”），如果您希望您的赛道成为赛道，这就是您所需要的。 在这种情况下，为了避免求解器只是让汽车掉头或立即停止，您需要指定一条不可见的“起始线”，并更改isMoveValid()以禁止在这条线上“向后”移动。

这个怎么运作

由于每次移动的成本恰好为 1，因此可以使用广度优先搜索4D state 空间来找到最佳解决方案。 每当我们访问给定的 state 时，它由一个 4 元组 (x, y, dx, dy) 组成，其中 dx 和 dy 是我们用来到达 (x, y) 的速度向量，我们考虑所有 9 个状态只需一步即可从 s 到达。 对于尚未看到的任何此类 state t，这条通往 t 的路径（即通过 s）保证是最优的，因为 BFS 总是按照节点到根的最小距离的顺序访问节点。 每当我们确定 state 的最佳路径时，我们都会记录前身 state，以便在最后生成完整路径的回溯。

BFS 比 Dijkstra 算法或 A* 搜索更简单，因此可能更快，后者是更通用的算法，允许移动具有各种成本——我们在这里不需要的灵活性。 如果干扰其启发式的障碍很少，A* 可能会更快，但在每一步它都需要查找最小成本节点，这通常使用堆来完成，而对于 BFS，最小成本节点始终可用队列的最前面。

例子

秒表赛道 30 3 90 10

Starting at (30, 3).
Goal is (90, 10).
Grid size is 100*100 (W*H).
No obstacle.
11-step solution:
(90, 10) (dx=10, dy=4)
(80, 6) (dx=9, dy=3)
(71, 3) (dx=8, dy=2)
(63, 1) (dx=7, dy=1)
(56, 0) (dx=6, dy=0)
(50, 0) (dx=5, dy=0)
(45, 0) (dx=5, dy=0)
(40, 0) (dx=4, dy=0)
(36, 0) (dx=3, dy=-1)
(33, 1) (dx=2, dy=-1)
(31, 2) (dx=1, dy=-1)
(30, 3) (dx=0, dy=0)
128113 states were examined in the process.
stopwatch: Terminated. Elapsed time: 343ms
stopwatch: Process completed with exit code 0.

秒表赛道 30 3 90 10 50 20 25

Starting at (30, 3).
Goal is (90, 10).
Grid size is 100*100 (W*H).
A circular obstacle of radius 25 is centred at (50, 20).
22-step solution:
(90, 10) (dx=5, dy=-8)
(85, 18) (dx=5, dy=-7)
(80, 25) (dx=4, dy=-6)
(76, 31) (dx=4, dy=-5)
(72, 36) (dx=5, dy=-4)
(67, 40) (dx=6, dy=-3)
(61, 43) (dx=7, dy=-2)
(54, 45) (dx=8, dy=-1)
(46, 46) (dx=7, dy=0)
(39, 46) (dx=6, dy=1)
(33, 45) (dx=5, dy=2)
(28, 43) (dx=4, dy=3)
(24, 40) (dx=3, dy=4)
(21, 36) (dx=2, dy=5)
(19, 31) (dx=1, dy=6)
(18, 25) (dx=0, dy=6)
(18, 19) (dx=-1, dy=5)
(19, 14) (dx=-2, dy=4)
(21, 10) (dx=-3, dy=3)
(24, 7) (dx=-3, dy=2)
(27, 5) (dx=-2, dy=1)
(29, 4) (dx=-1, dy=1)
(30, 3) (dx=0, dy=0)
949565 states were examined in the process.
stopwatch: Terminated. Elapsed time: 3076ms
stopwatch: Process completed with exit code 0.

请注意这里的最佳解决方案首先必须“双退”，go 向上和周围然后再次向下，因为圆形障碍物一直延伸到网格底部。

小错误：如果您将目标位置设置为等于初始位置，则发布的代码将给出一个简短（但非零长度）的答案，显然这可以作为一种特殊情况进行检查。 但是当我意识到这一点时，我已经将代码放在了 pastebin 上..: :)

Answer 2

其他人推荐A*，可能是go的方式，但是这种方式有问题。 首先让我说，从一个节点到另一个节点的“成本”始终为 1，因为您希望最小化步骤数，根本不涉及其他成本。

但我要强调的重要一点是，位置 (x,y) 在 A* 的搜索图中并不是唯一节点，该节点的特征是 x 和 y。 还可以通过汽车来自的节点的 x 和 y 坐标（或者如果您愿意，可以通过速度分量 vx 和 vy）； 因此，您不能只在二维网格上遍历 A* 算法。 它实际上应该是 4 维的，也就是说。 A *可能仍然是要走的路。

至于启发式方法，您可以对此非常有创意，但我建议使用诸如完成距离减去当前速度之类的方法，其中为常规 2D 网格中的每个点预先计算距离（为此使用 Dijkstra 算法）。 这使得 A* 算法首先向终点线搜索，并且最好尽可能快。 我相信这样的算法可以很好地立即计算出整个路线。

但一个问题是，A* 总是会产生最佳路线，因此使用这种算法的 AI 对抗起来不会很有趣，因为它总是会赢（假设起始位置是公平的）。

Answer 3

到目前为止，我认为没有人解决您问题的关键点：您如何提出一个好的“质量价值”？ 在 AI 中，您所指的质量值通常称为“启发式”。 理想情况下，在给定当前位置/速度的情况下，您的启发式算法会准确地告诉您到达终点所需的最少移动次数。 实际上，我们必须满足于更容易计算的东西。

一个重要的指导原则是一个好的启发式应该是可以接受的； 也就是说，它永远不应该高估达到目标的成本（在你的情况下，达到终点的移动次数）。 A* 算法依赖于具有可接受的启发式。

提出可接受的启发式的常用技术是放松原始问题。 在游戏中，您通常可以通过改变游戏来做到这一点，使其变得更容易（例如通过删除规则）。 例如，在 RaceTrack 中，您可以理顺赛道以使其成为更轻松的游戏。 在直线轨道上，最好的策略显然是不断加速。 因此，一个可接受的启发式方法是计算从当前 position 到终点的距离（即拉直轨道的长度），然后在假设恒定加速度的情况下计算行驶该距离所需的移动次数。

您可以通过放宽不同的规则来提出其他启发式方法，但通常需要在启发式方法的准确性和所需的计算量之间进行权衡。

Answer 4

http://www.csc.kth.se/utbildning/kth/kurser/DD143X/dkand11/Group3Johan/report/tarandi_olsson_report.pdf

本文档可能对您有所帮助

Answer 5

虽然它不会立即适用于 RaceTrack，但您可以从A* 寻路算法中学到一些东西。 它被用于许多游戏中，以帮助 AI 弄清楚如何尽快从 A 点到达 B 点。

Answer 6

您提到“为每个选择分配一些质量值”的想法 - 这称为启发式 function。 许多 AI 算法（例如其他人提到的 A* 和 alpha-beta 修剪）仅与您插入其中的启发式 function 一样好。

但是，如果您确实设法创建了一个好的启发式 function，那么这些算法将自动“免费”执行得更好 - 所以花一些时间来开发一个好的算法是非常值得的。

另一个角度是尝试从一开始就预先计算你的整个比赛。 然后是最小化越过终点线的转弯次数的问题。 一种方便的求最小值算法是模拟退火。

除此之外，看到像这样的游戏的一些遗传算法解决方案也很酷。 不确定它是否非常合适，但我可以想象创建一个接受各种输入的“大脑”——未来几圈与墙壁的预期距离、速度、与其他赛车手的距离等——并发展其逻辑大脑与遗传算法。 诀窍是将问题分解成可以有意义地变异的部分。

实际上，您甚至可以将它们结合起来，并使用遗传算法。 开发插入标准 AI 搜索算法的启发式 function。

老实说，蛮力可能会在受约束的轨道上正常工作，因为如果您崩溃，您可以抛出一个子树（并且崩溃对于坏路径很常见）。

Answer 7

我建议你从扭转问题开始。 假设你是唯一的玩家，使用逆行分析（就像他们在国际象棋残局http://en.wikipedia.org/wiki/Retrograde_analysis中所做的那样）从最后开始向后计算，看看需要多少步才能越过终点线，给定 position 和速度。 如果我的想法是正确的，那么计算它的时间应该在位置数量上是线性的。 应该很快。

这不是绝对的真理，因为你有竞争对手干扰你的路径，但它会给你一个很好的启发式搜索算法。

Answer 8

国际象棋中有一些已知的算法，例如 alpha-beta 修剪、移动排序等。如果您在国际象棋上下文中搜索，也许您的运气会更好。

---

阿尔法贝塔战略

---

编辑：这些寻路算法仅在您没有其他规则和条件的情况下才有效。 例如，如果您还具有速度和向心力，那么您就不走运了。 如果您没有这些高级条件，则最好使用其他答案中所述的简单寻路算法。