我正在参加一个编程竞赛，目标是编写一个可以玩特定游戏的机器人。 游戏的目标是获得一定数量的积分。你可以控制多个飞艇，你移动，捕捉岛屿和导航携带宝藏的无人机。你对抗一个对手，同时转弯，并且有一个时间限制。您可以一次移动多个船只和无人机。您可以使用Python，Java或C＃对机器人进行编程。 确切的细节并不重要，只是每艘船每回合有大约15个选项（移动和射击），而且每回合你有大约10000个不同的选项（飞艇运动和射击的不同配置） 到目前为止，我天真地接近了这场比赛，并没有做过任何特别聪明的事情（例如，如果靠近敌人，射击）。我已经读过有关minimax算法的内容，我真的想在这里应用它（或类似的东西），你可以假设我可以告诉一个状态的值。我的问题是每个回合的大量选项 - 这创造了一个令人兴奋的分支因素，不会让我变得非常深。
问题1：这个问题有更好，更适用的方法吗？也许是深度学习或类似的东西？ 问题2：有没有办法最小化分支因子？我读过有关alpha-beta和类似算法的文章，但似乎没有任何工作。
非常感谢任何帮助
答案 0 :(得分：0)
minimax算法对于这些问题似乎很自然。首先，游戏将以抽象方式建模，然后使用求解器来查找从当前情况到游戏状态的路径，从而最大化点数。与minimax类似的方法是GOAP，它是在1970年代以机器人名为STRIPS的Shakey实现的。但是，GOAP和minimax有两个问题：首先，需要一个抽象的游戏模型（可能是PDDL或游戏描述语言），其次是状态空间要大。
规划的更好选择是使用行为树。这是一个描述代理行为的静态程序。不需要求解器，也不需要完整的游戏建模。相反，自下而上的方法与多个编辑 - 编译 - 运行迭代一起用于查找最佳行为树（测试驱动开发）。为了实现这样的编程方法，一个所谓的“反应计划者”＃34;必须首先实现，这是实时调度程序的另一个词。这是一个模块，它将行为树映射到甘特图上，以便在特定时刻执行操作。作为介绍，unity3d引擎是一个很好的起点，它具有开箱即用的完整行为实现。