写个三子棋的强化学习AI玩玩。写这玩意只需要有一点C语言基础就可以了,至于AI部分,也是很好理解的。
三子棋
在3*3的棋盘中,先手方画O,后手方画X,连成3个就赢了。事实上,只需要很简单的试验,你就会明白,如果双方都走最优解,最后一定是和棋。
让电脑随机下棋显然没有什么意思,那能不能让电脑聪明点呢?
强化学习
强化学习的描述如下,看不太明白没关系,我会举例子的。
强化学习是机器学习的一个分支,它着重于如何让智能系统(称为代理)通过与环境的交互来学习做出最优的决策或者行动。在强化学习中,代理试图通过执行行动并接收环境反馈(通常是奖励)来最大化其累计获得的总奖励。这一过程涉及到学习行动的策略,即在给定的状态下应采取什么行动。
强化学习的核心组成部分包括:
1. 代理(Agent):执行行动的实体,其目标是学习最佳行动序列(策略)以最大化奖励。
2. 环境(Environment):代理所处并与之交互的系统或问题域。环境根据代理的当前状态和执行的行动,反馈新的状态和奖励。
3. 状态(State):环境的一个描述,代理根据状态做出决策。
4. 行动(Action):代理可以执行的操作。
5. 奖励(Reward):环境对代理执行行动的即时反馈,指导学习过程。强化学习的学习过程通常涉及探索(尝试新行动以了解它们的效果)和利用(使用已知的信息来获得最大奖励)之间的平衡。这一平衡的目标是发现最优策略,即一个从状态到行动的映射,使得累积奖励最大化。
强化学习在多个领域有广泛的应用,如自动驾驶汽车、游戏、机器人导航和控制、推荐系统等。与其他类型的机器学习不同,强化学习不是直接从数据集学习,而是通过试错和适应环境的反馈来学习。
下面我来谈谈最简单的强化学习,在三子棋中的应用。虽然有点杀鸡用牛刀的嫌疑,但这是个很好的例子。
电脑是很笨的,它只知道游戏规则:只有空位才能下棋、一人一步、连成3个获胜……如果你不告诉它下棋的思路,它就只会随机下。
状态
棋局在某个时刻,会有一个状态:
我们可以用3*3的二维数组来描述,即:
0 0 1
0 1 0
2 1 2
其中0表示空位,1表示先手方的O,2表示后手方的X。
如果我把这个二维数组从右向左、从下到上排成一排,得到212010100,这是一个只由012组成的数字,可以看作三进制,即,再转换为十进制int即可。如果要从这个整数还原棋局的状态,只需要重新转换成三进制,再填到二维数组中。
这样,我们成功地用int来描述棋局的状态。棋局所有可能的状态,不超过种,实际还要更少,因为有一些情况是达不到的。
int GetState(int board[3][3])
{int state = 0;// 转换为3进制数for (int i = 2; i >= 0; --i){for (int j = 2; j >= 0; --j){state = state * 3 + board[i][j];}}return state;
}
行动
在某个状态下,比如:
此时轮到X走,假设棋盘的9个位置分别是:
0 1 2
3 4 5
6 7 8
显然二维数组的第x行第y列(x、y从0开始)表示数字n=x*3+y,而x=n/3,y=n%3。
那么对于上图中的棋局状态,X所有可能的走法就是:0,1,3,5。这样,我们就用一个整数表示了某个状态下的行动。
分数
某个状态下的某个行动都可以赋一个得分,这个分数越高,表示这个行动是越有利的。那么如何准确得到每个状态下的每个行动的分数呢?
我们可以这样初始化分数:
- 如果这步棋走完后能直接获胜,分数为1
- 如果这步棋走完后和棋,或者棋局未结束,分数为0.5
- 如果这步棋不能走(位置已被占用),分数为-1
for (int state = 0; state < STATES_CNT; ++state)
{int tmpState = state;// 把状态转换为棋盘int board[3][3] = { 0 };for (int i = 0; i < 3; ++i){for (int j = 0; j < 3; ++j){board[i][j] = tmpState % 3;tmpState /= 3;}}// 根据走棋后的状态,初始化分数for (int point = 0; point < 9; ++point){int tmpBoard[3][3] = { 0 };memcpy(tmpBoard, board, 9 * sizeof(int));if (Move(tmpBoard, point / 3, point % 3)){int res = IsWin(tmpBoard);// 赢 - 1// 和棋 - 0.5// 棋局未结束 - 0.5if (res == 1 || res == 2)value[state][point] = 1;elsevalue[state][point] = 0.5;}else{// 该位置非法value[state][point] = -1;}}
}
你可能会问,那如果这步棋走完后输了呢?emmm,这种可能不存在!注意这里只表示走一步棋的分数。如果这步棋走完后几步真的会输,那么分数应该为0,这点后面会讲。这样,如果这个位置没有违反规则,分数就在[0,1]的范围内。
我们可以用一个二维数组来存储所有状态下的所有行动的得分。二维数组的行标表示棋局状态(前面已经用整数描述状态了,为0~-1),列标(0~8)表示行动,二维数组内存储分数。
显然,这个分数是不准确的,有可能这步棋很烂,但分数却是0.5,这就需要让AI强化学习了。
奖励
我们让电脑自己和自己下棋,每一步都选择当前状态下分数最高的位置,如果分数相同(比如一开始的9个位置分数都是0.5),就随机选择一个位置,或者选择看到的第一个位置,这并不影响结果。
最终,会产生一个结果。有可能是先手方O赢了,也有可能是后手方X赢了,还有可能是和棋。
让电脑吸取经验教训,也就是给奖励,也可以是惩罚。
具体的做法是,从最后一步往前推,更新每一步的分数。我们规定:
- 如果是某一方赢了,那么最后一步棋的得分就是1(这点和前面分数的初始化保持一致),而倒数第二步棋是输的那方下的,这步棋的得分设置成0,因为是这步棋直接导致了输棋。
- 如果是和棋,那么最后一步棋的得分就是0.5(这点和前面分数的初始化保持一致),而倒数第二步棋是另一方下的,这步棋的得分设置成0.5,因为是这步棋直接导致了和棋。
那么倒数第三步和倒数第一步是同一方下的。倒数第三步的新的分数=倒数第三步的旧的分数+0.1*(倒数第一步的新的分数-倒数第三步旧的分数)。
同理,倒数第四步和倒数第二步是同一方下的。倒数第四步的新的分数=倒数第四步的旧的分数+0.1*(倒数第二步的新的分数-倒数第四步旧的分数)。
接下来是倒数第五步、倒数第六步……一直到正数第一步。这样,这盘棋出现的状态中,对于走过的行为,就有了新的分数,这就是强化学习!
注意到更新的分数乘了0.1,这样越往前的分数,变动的幅度就越小,这也是合理的,因为越接近棋局开始,走棋的影响就越小。
经过大量的对局后,所有状态下的行为的得分就会更加准确,无限趋近于理论值。然而,为了防止出现局部最优,也就是AI自我感觉良好,最好让AI有一定的概率随机走棋,而不是每次都选择最优走法。
以下是一次强化学习:
// 棋盘
int board[3][3] = { 0 };
// 下棋的状态数组
int states[9] = { 0 };
// states数组记录的状态数量
int stSize = 0;
// 下棋的位置数组
int points[9] = { 0 };
// point数组记录的位置数量
int ptSize = 0;
// 记录state
int state = 0;
// 保存初始的状态
states[stSize++] = state;
// 记录胜负和
// 0 - 未分胜负
// 1 - 先手方获胜
// 2 - 后手方获胜
// 3 - 和棋
int res = 0;
// 下一盘棋
while (true)
{// 一定概率随机走棋// 否则选择value最大的走法if (rand() % 10 < 3){while (true){// 随机走棋int x = rand() % 3;int y = rand() % 3;if (Move(board, x, y)){// 保存当前pointpoints[ptSize++] = x * 3 + y;break;}}}else{// 选择value最大的走法// 找到最大的value和对应的pointdouble maxVal = -1;int point = 0;for (int i = 0; i < 9; ++i){if (value[state][i] > maxVal){maxVal = value[state][i];point = i;}}// 在point位置下棋Move(board, point / 3, point % 3);// 保存pointpoints[ptSize++] = point;}// 棋局是否结束if (res = IsWin(board))break;// 计算并保存新的状态state = GetState(board);states[stSize++] = state;
}// 根据这盘棋的信息,总结经验
// 不考虑最后一步
--stSize;
--ptSize;
// 倒数第二步直接导致输棋或和棋
// 输棋分数设为0
// 和棋分数设为0.5
value[states[stSize - 1]][points[ptSize - 1]]= (res == 3 ? 0.5 : 0);
--stSize;
--ptSize;
// 从倒数第三步开始,每一步的分数更新为
// 原来的分数 + 0.1 * (后两步的分数-原来的分数)
while (stSize > 0 && ptSize > 0)
{value[states[stSize - 1]][points[ptSize - 1]]= value[states[stSize - 1]][points[ptSize - 1]]+ 0.1 * (value[states[stSize + 1]][points[ptSize + 1]]- value[states[stSize - 1]][points[ptSize - 1]]);--stSize;--ptSize;
}
最终训练的结果,也就是value数组只需要保存到文件中,需要对局时再从文件中读取数据,这样就不用每次都重新训练了。
void SaveValue(value_t value)
{FILE* fin = fopen("value.dat", "wb");if (fin == NULL){perror("fopen");exit(2);}// 保存valuefwrite(value, sizeof(double), 177147, fin);fclose(fin);fin = NULL;
}bool LoadValue(value_t value)
{FILE* fout = fopen("value.dat", "rb");// 没有这个文件if (fout == NULL)return false;// 加载valuefread(value, sizeof(double), 177147, fout);fclose(fout);fout = NULL;return true;
}
完整代码
已上传至gitee链接