Artificial intelligence 用人工智能解决益智游戏

我做了一个拼图游戏，玩家将方块滑向球门——规则相当简单：

一次只能移动一个滑块

目标是将滑块块移动到目标节点中-您只需要填充目标节点，而不必将所有滑块块移动到目标节点中

如果滑块在冰上滑动，它将继续沿该方向移动，直到停止或移动

如果滑块碰到某个实体（混凝土，另一个块），它会停止并可以再次移动（显然不是移动到混凝土中）

如果滑块滑到木头上，它会停在木头上并可以移动

如果滑块滑到目标节点上，则无法再移动它

块可以通过某些块移动，例如，箭头块将块推向该方向

有开关块可启用“门”，可将其移动到以打开和关闭这些“门”

按钮块的操作方式与开关类似，不同的是，按钮块上必须有一个按钮块来激活“门”

当门关上时，它们就像混凝土一样。当门打开时，它们就像冰一样

我想这就是规则。以下是一些屏幕截图：

在这里，玩家必须移动方块，以便它们必须互相碰撞才能解决难题

这个谜题几乎已经解决了。请注意该块是如何撞到另一块并停止的

这是另一个包含推块机制的谜题：

如果我们向下滑动右上方的块，会发生以下情况：

如您所见，当它击中箭头块时，该块已向左移动，并停在木块顶部

---

我想写一个解决这些难题的人工智能解决方案——我想这将是某种深度优先搜索，但我不知道从哪里开始。任何让这一切发生的建议都将是一件伟大的事情

您的问题是状态空间搜索问题的经典实例。根据特定实例的特征，可以使用不同的算法

无论您的具体实例如何，您都需要定义四个组件：

初始状态，在您的问题中为初始配置

一个函数，返回从空间的任何状态可到达的所有可能状态，在您的问题中，可到达状态是移动滑块可获得的谜题的所有可能配置。当一个状态的可达状态被访问时，该状态被称为扩展状态

一个目标测试，一个确定给定状态是否为目标状态的函数，在你的问题中，你会检查是否所有目标块都已填充

一个代价函数，它给出从一个状态传递到另一个状态的代价，允许您的算法选择要执行的最佳操作。在您的例子中，我认为您可以为每个操作使用常量值1，并搜索要执行的最小操作数以达到其中一个目标状态

由于您的问题可以根据这四个部分来定义，因此您的问题可以通过以下算法之一来解决：

（BFS）：我们首先测试初始状态是否为目标状态（显然不是针对非平凡问题），然后扩展初始状态，测试其每个可到达状态，如果不是，则扩展这些状态，依此类推到级别。。。 它可以使用队列来实现

（DFS）：从初始状态开始，测试目标，然后扩展相邻状态，测试目标，扩展该状态，依此类推到状态空间的最深层。 这可以通过堆栈实现

P>评估哪些算法是最合适的，我们可以考虑这些因素：

完整性：是否保证算法在存在时会找到解决方案

最优性：算法能找到最优解吗

时间复杂性：需要多长时间

空间复杂性：它需要多少内存

如果我们考虑BFS策略，我们可以看到它是完整的，因为它通过层次系统地探索状态空间，只有当一个状态的深度增加时成本函数不减少（这是我们的情况下，因为所有的动作都有一个不变的代价），它才是最优的。现在坏消息来了：假设每个节点的扩展可以给出最多的状态，并且第一个解决方案是深度，那么您将需要存储和扩展最多的状态

在DFS的情况下，我们必须考虑到当不同的选择可能导致某个附近的解决方案时，它可以在一个路径中被卡住搜索很多时间（可能是无限的）。因此，当状态空间为无穷大时，该算法既不是完全的，也不是最优的。如果我们认为状态空间的最大深度，我们将得到最多的空间复杂度，而时间复杂度保持指数： 那么，我们能做些什么呢？我们可以将这两种策略混合使用。在此搜索中，我们将迭代运行DFS，将最大深度从0限制为最大深度级别。该方法具有两种搜索策略的优点：空间复杂度，其中是第一个最优解的深度，时间（我们做得再好不过了），它是完整的（它将找到一个解决方案，因为它会逐级迭代探索所有状态），它是最优的（假设代价函数不随路径长度递减）出于同样的原因，BFS是最优的

参考：

注意：显然存在其他未告知的策略，但正如书中所述，IDDFS对于未告知的搜索问题是一个很好的选择，因为您没有关于搜索空间的其他信息。参考本书了解其他类型的搜索策略，例如知情搜索，我们知道目标状态与当前状态之间的距离