前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >蒙特卡洛树搜索算法(UCT): 一个程序猿进化的故事

蒙特卡洛树搜索算法(UCT): 一个程序猿进化的故事

作者头像
绿巨人
发布2018-05-18 11:03:54
2.7K0
发布2018-05-18 11:03:54
举报
文章被收录于专栏:绿巨人专栏

前言:

本文是根据的文章Introduction to Monte Carlo Tree Search by Jeff Bradberry所写。 Jeff Bradberry还提供了一整套的例子,用python写的。 board game server board game client Tic Tac Toe board AI implementation of Tic Tac Toe

阿袁工作的第一天 - 蒙特卡罗树搜索算法 - 游戏的通用接口board 和 player

阿袁看到阿静最近在学习蒙特卡罗树搜索算法。急忙凑上去问:“蒙特卡罗树搜索算法是干什么用的?” "蒙特卡罗树搜索算法是一种方法(或者说框架),用于解决完美信息博弈。我现在学习一个蒙特卡罗树搜索算法的变种:UCT算法,用于提供一种通用的游戏对弈解决算法。"

注: perfect information games (完美信息)博弈,指的是没有任何信息被隐藏的游戏。

"通用的游戏对弈算法,是对任何游戏都有效,是吗?" "简单的说,是这样的。重要的一点是,算法并不用了解游戏的领域知识。" "领域知识?不是很好理解。难道连游戏规则也不知道,就可以赢吗?" "游戏的领域知识。举个例子,国际象棋中每个棋子的子力,比如皇后的子力是10,车是5等等。这些就是领域知识。在通用的情况下,马的走法-这样的规则,也算是领域知识。" "有点糊涂了!AI算法该如何下子呢?" "用面向对象的逻辑来说,我们可以给游戏定义有一个通用接口(board),具体的游戏只能实现这个接口,不能提供其它的信息。" "对于程序猿来说,这就容易理解多了。我们可以先看看这个接口(board),都应该定义什么样属性和方法。" "首先,有一个num_players属性,返回游戏的玩家数。" "嗯,让我想想,游戏开始的时候,需要一个方法start,启动一个游戏。" "很好,这个方法需要返回一个state对象,用于记录游戏当前的状态。state对象的内容,外部是不可知的。使用board自己可以解释。" "然后,需要显示棋盘的状态。这样,board就需要提供一个display方法,返回当前的状态或者是棋盘状态。" "对。应该有个方法返回谁是该下子的玩家:current_player." "当前玩家是一个AI玩家(也就是对弈算法的使用者),怎么知道如何下子呢?这里需要许多的领域知识吧?" "一个技巧是让board根据历史的状态列表,返回当前允许的所有下法:legal_actions。" "再加上一个is_legal(action),来判断一个下法是否合适。" "下来应该是根据现在的action,返回下一个游戏状态,next_state。" "为了判断胜负,需要一个winner方法。" "如果有了赢家,board需要返回一个winner_message信息。通知玩家谁胜了。" "看起来不错!我们总结一下board接口的内容。"

代码语言:javascript
复制
class Board(object):
    '''
    Define general rules of a game.
    State: State is an object which is only be used inside the board class.
        Normally, a state include game board information (e.g. chessmen positions, action index, current action, current player, etc.)
    Action: an object to describe a move. 
    '''
    
    '''
    num_players: The player numbers of the board.
    '''
    num_players = 2

    def start(self):
        ''' 
        Start the game
        Return: the initial state
        '''
        return None

    def display(self, state, action, _unicode=True):
        '''
        Dispaly the board
        state: current state
        action: current action
        Return: display information
        '''
        return None

    def parse(self, action):
        '''
        Parse player input text into an action.
        If the input action is invalid, return None.
        The method is used by a human player to parse human input.
        action: player input action texxt.
        Return: action if input is a valid action, otherwise None.
        '''
        return None

    def next_state(self, state, action):
        '''
        Calculate the next state base on current state and action.
        state: the current state
        action: the current action
        Return: the next state
        '''
        return tuple(state)

    def is_legal(self, history, action):
        '''
        Check if an action is legal.
        The method is used by a human player to validate human input.
        history: an array of history states.
        Return: ture if the action is legal, otherwise return false.
        '''
        return (R, C) == (state[20], state[21])

    def legal_actions(self, history):
        '''
        Calculate legal action from history states.
        The method is mainly used by AI players.
        history: an array of history states.
        Return: an array of legal actions.
        '''
        return actions

    def current_player(self, state):
        '''
        Gets the current player.
        state: the current state.
        Return: the current player number.
        '''
        return None

    def winner(self, history):
        '''
        Gets the win player.
        history: an array of history states.
        Return: win player number. 0: no winner and no end, players numbers + 1: draw.
        '''
        return 0

    def winner_message(self, winner):
        '''
        Gets game result.
        winner: win player number
        Return: winner message, the game result.
        '''
        return ""

"另外,我们需要定义一个player接口,玩家主要是下子,所以需要一个get_action方法。" "当一个玩家下完子后,需要通过一个update方法通知所有的玩家,状态要更新了。"

代码语言:javascript
复制
class Player(object):
    def update(self, state):
        '''
        Update current state into all states.
        state: the current state.
        '''
        self.states.append(state)

    def display(self, state, action):
        '''
        Display board.
        state: the current state.
        action: the current action.
        Return: display information.
        '''
        return self.board.display(state, action)

    def winner_message(self, msg):
        '''
        Display winner message.
        msg: winner infomation
        Return: winner message
        '''
        return self.board.winner_message(msg)

    def get_action(self):
        '''
        Get player next action.
        Return: the next action.
        '''
        return action

注:方法: diplay and winner_message用于向游戏的客户端提供board的信息。这样隔离了客户端和board。

阿袁工作的第2天 - 蒙特卡罗树搜索算法 - MonteCarlo Player

阿袁和阿静继续关于蒙特卡罗树搜索算法的讨论。 阿静说道,“在编写一个人工智能游戏对弈的应用中,至少需要两个具体的player,一个是human player,一个是MonteCarlo player。” "human player向人类玩家提供了一个交互界面。" “对,MonteCarlo player是一个AI player,也是我们要讨论的重点,MonteCarlo player在实现get_action中,通过board,模拟后面可能下法;并根据模拟的结果,获得一个最优的下法。” "我们先从一个简单的问题开始:一个游戏下法的组合可能是一个很大的数,我们如何控制这个模拟行为是满足一定时间上的限制的。" “对于这个问题,解决方法有一些。这里,我们允许一个参数calculation_time来控制时间。每次模拟一条路径,模拟完后,检测一下是否到时。” “一条路径就是从游戏的当前状态到对局结束的所有步骤。如果这些步骤太长了呢?” “尽管游戏的下法组合数会很大。但是一个游戏的正常步骤却不会很大哦。我们也可以通过另外一个参数max_actions来控制。” “明白了。代码大概是这个样子。”

代码语言:javascript
复制
class MonteCarlo(object):

    def __init__(self, board, **kwargs):
        # ...

        self.calculation_time = float(kwargs.get('time', 30))
        self.max_actions = int(kwargs.get('max_actions', 1000))

        # ...

    def get_action(self):
        # ...

        # Control period of simulation
        moves = 0
        begin = time.time()
        while time.time() - begin < self.calculation_time:
            self.run_simulation()
            moves += 1

        # ...

    def run_simulation(self):
        # ...
        
        # Control number of simulation actions
        for t in range(1, self.max_actions + 1):
            # ...
        
        # ...

注:为了易于理解,我简单地重构了源代码,主要是rename了一些变量名。

"今天时间有些紧张,明天我们讨论蒙特卡罗树搜索的步骤"

阿袁工作的第3天 - 蒙特卡罗树搜索 - 蒙特卡罗树搜索的步骤

阿袁昨天晚上,也好好学习了蒙特卡罗树搜索。今天,他开始发言。 "蒙特卡罗树搜索是一个方法,应该是来自于蒙特卡罗方法。这个方法定义了几个步骤,用于找到最优的下法。" “严格的说,蒙特卡罗树搜索并不是一个算法。” “是的。所以蒙特卡罗树搜索有很多变种,我们现在学习的算法是蒙特卡罗树搜索算法的一个变种:信任度上限树(Upper Confidence bound applied to Trees(UCT))。这个我们明天研究。” “好,今天主要了解蒙特卡罗树搜索方法的步骤” "从文章上看一共有四个步骤。" "是的。分别是选举(selection),扩展(expansion),模拟(simulation),反向传播(Back-Propagation)。" “我们看看这张图。绿色部分是蒙特卡罗树搜索的四个步骤。”

选举(selection)是根据当前获得所有子步骤的统计结果,选择一个最优的子步骤。” “扩展(expansion)在当前获得的统计结果不足以计算出下一个步骤时,随机选择一个子步骤。” “模拟(simulation)模拟游戏,进入下一步。” “反向传播(Back-Propagation)根据游戏结束的结果,计算对应路径上统计记录的值。” “从上面这张图可以看出,选举的算法很重要,这个算法可以说是来评价每个步骤的价值的。” “好了。今天,我们了解了蒙特卡罗树搜索的步骤。” “明天,可以学习Upper Confidence bound applied to Trees(UCT) - 信任度上限树算法。”

阿袁工作的第4天 - 蒙特卡罗树搜索 - Upper Confidence bound applied to Trees(UCT) - 信任度上限树算法

一开始,阿静就开始讲到。 “信任度上限树算法UCT是根据统计学的信任区间公式,来计算一个步骤的价值。这个方法比较简单,只需要每个步骤的访问数和获胜数就可以了。” “信任区间公式的是什么呢?” 阿静写下信任区间公式。 置信区间(confidence intervals) \bar{x}_i \pm \sqrt{\frac{z\ln{n}}{n_i}} \\ where: \\ \qquad \bar{x}_i \text{ : the mean of choose i.} \\ \qquad n_i \text{ : the number of plays of choose i.} \\ \qquad n \text{ : the total number of plays.} \\ \qquad z \text{ : 1.96 for 95% confidence level.} 阿静进一步解释道。 “置信区间是一个统计上的计算值,如果z使用1.96,可以使置信区间的置信度达到95%。也就是说:有95%的信心,样本的平均值在置信区间内。” “UCT算法使用了置信区间的上限值做为每个步骤的价值。” “使用置信区间的上限值带来的一个好处是:如果当前选择的最优子步骤在多次失败的模拟后,这个值会变小,从而导致另一个同级的子步骤可能会变得更优。” “另外一个关键点是选举的条件,文章中的选举条件是当前所有子步骤都有了统计记录(也就是至少访问了一次,有了访问数。)。”

阿袁工作的第5天 - 蒙特卡罗树搜索 - 图形化模拟 Upper Confidence bound applied to Trees(UCT) - 信任度上限树算法

阿袁今天做了一天功课,画了一些图来说明UCT算法的过程。

  • 首先,初始状态下,所有的子步骤都没有统计数据。
  • 所以,先做扩展(Expansion),随机选择一个子步骤,不停的模拟(Simulation),直到游戏结束。然后反向传播(Back-Propagation),记录扩展步骤的统计数据。
  • 多次扩展(Expansion)之后,达到了选举(selection)的条件,开始选举(selection),选出最优的一个子步骤。

  • 继续扩展(Expansion)模拟(Simulation)反向传播(Back-Propagation) 下图说明以前最优的子步骤,可能在多次扩展后,发生变化。

阿袁的日记

2016年10月X日 星期六 这周和阿静一起学习了蒙特卡罗树搜索的一些知识。基本上了解了蒙特卡罗树搜索的步骤和使用方法。 发现在使用蒙特卡罗树搜索方法中,有许多可以优化的地方。比如:

  • 步骤价值计算
    • 是否可以在没有赢的情况下,计算价值?
    • 是否可以计算一个步骤是没有价值的,因而可以及早的砍掉它。

还有许多问题:

  • 是否AI程序可以理解规则?比如,理解马走日。
  • 是否AI程序可以算出一些领域规则。开局的方法、子力计算等。

参考

本文参与 腾讯云自媒体同步曝光计划,分享自作者个人站点/博客。
原始发表:2016-10-26 ,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 作者个人站点/博客 前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
目录
  • 前言:
  • 阿袁工作的第一天 - 蒙特卡罗树搜索算法 - 游戏的通用接口board 和 player
  • 阿袁工作的第2天 - 蒙特卡罗树搜索算法 - MonteCarlo Player
  • 阿袁工作的第3天 - 蒙特卡罗树搜索 - 蒙特卡罗树搜索的步骤
  • 阿袁工作的第4天 - 蒙特卡罗树搜索 - Upper Confidence bound applied to Trees(UCT) - 信任度上限树算法
  • 阿袁工作的第5天 - 蒙特卡罗树搜索 - 图形化模拟 Upper Confidence bound applied to Trees(UCT) - 信任度上限树算法
  • 阿袁的日记
  • 参考
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档