FreeKill/doc/dev/ai.md

FreeKill 的 AI 系统

dev > AI

---

概述

备选算法：

• MCTS
• 神杀算法

---

MCTS实现

实现该算法的最大难点在于如何模拟。

首先是树中各个节点的保存，我们自然无法给某个节点都分配一个Room对象。由于节点是通过根节点进行相应的决策拓展而来的，所以其实节点内部的数据可以保存为各个决策的数组。

然后节点首先要能知道自己的双亲节点和孩子节点，这个分别用一个值和一个数组表示就行了。

想要实现模拟的话，重点是如何创造一个一模一样的Room出来。指望lua提供完全clone一个coroutine所有内容或许不是很现实。以下是一种备选方案：

1. 首先Room初始化的时候也初始化一个AI用的Room
2. Room内要能够录像，记录所有的request结果和random生成的值。为此可能要自定义一个random函数对自带的math.random进行封装。
3. 在录像的时候，AI Room也跟着录像的内容进行更新。AI Room本质上也就是一个Room而已，或者可以是Room的子类，反正他的内容就是用这个方式和真Room即时同步的。
4. 在AI即将处理问题的时候，首先获得所有可行选项。根据算法，需要对某个节点进行randomplay。
5. randomplay的话如果直接用AI Room，那么回溯的时候如何回到先前的状态呢？
   1. 考虑新建一个新的AI Room，然后重放录像以达到开始状态。这样每次randomplay之前都要先回复一下状态，而随着录像的加长这个过程也可能变长，导致AI越来越慢
   2. 考虑真Room的所有字段全部复制给AI Room一份。但有个问题在于如何把程序控制流和栈也跳转到一样的地方。所以这个是很难实现的。
   3. 所以考虑用方案1。为了缓解太慢的情况，可以把1和2结合起来。约定好在某个时间点（比如GameLogic:action中的那个死循环执行）就与Room交换数据，然后这时候复盘录像的起始时间点修改。这样的话为了从randomplay恢复状态，就有必要将此时交换的数据额外保存一份。为了能让Logic平安跑到那个时间点，从人凑齐直到那个时间点的录像也要保存一份。
6. 解决了模拟和回溯的问题的话，就可以考虑实现该算法了。

那么为了模拟，首先得实现一个RandomAI才行。

然后还有一项前置工作是服务器端的录像功能。得先做好这个才能进行AI编写啊。所以AI暂且推迟一下好了。