Neural network 一个智能游戏机器人的编程

我正在参加一个编程比赛，目标是编写一个可以玩特定游戏的机器人。 游戏的目标是赚取一定数量的积分。你可以控制多艘飞艇，四处移动，捕捉岛屿，驾驶携带宝藏的无人驾驶飞机。你和一个对手比赛，回合同时进行，并且有时间限制。你可以一次移动多艘飞船和无人机。您可以用Python、Java或C#编写bot。 确切的细节并不重要，只是每艘飞船每转大约有15个选项（移动和射击），总体而言，每转大约有10000个不同的选项（飞艇移动和射击的不同配置） 到目前为止，我很天真地参加了这场比赛，并没有做任何特别聪明的事情（例如，如果靠近敌人，射击）。我读过关于minimax算法的书，我真的很想在这里应用它（或者类似的东西），你可以假设我可以说出一个状态的值。我的问题是每个回合都有大量的选项，这会产生一个巨大的分支因子，让我无法深入

问题1：有没有更好的、适用的方法来解决这个问题？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？我读过关于alpha-beta和类似算法的文章，但似乎没有什么能起到作用

---

任何帮助都将不胜感激

对于这类问题，minimax算法似乎是很自然的。首先，游戏将以抽象的方式建模，然后使用解算器找到从当前状态到游戏状态的路径，从而最大化点数。与minimax类似的方法是GOAP，它是在1970年为机器人Shakey实现的，名为STRIPS。但是，GOAP和minimax有两个问题：第一，需要一个抽象的游戏模型（可能是PDDL或游戏描述语言），第二，状态空间太大

一个更好的替代计划的方法是使用行为树。这是一个描述代理行为的静态程序。不需要解算器，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-运行迭代一起使用，以找到最佳的行为树（测试驱动开发）。为了实现这种编程方法，必须首先实现所谓的“反应式计划器”，这是实时计划器的另一个词。这是一个将行为树映射到甘特图上的模块，用于在特定时刻执行操作。作为介绍，unity3d引擎是一个很好的起点，它有一个现成的完整的行为树实现。

（1）

您可以假设我可以说出状态的值

-这我非常怀疑（2）

是否有更好的、适用于此问题的方法？

比什么更好？您只引入了一条静态规则。因此，当然（3）

…深入学习

这将花费您数月/年的时间（4）

有没有办法将分支因子降至最低？

-当然，移动排序和良好的评估函数允许在alpha beta中进行有效的修剪。（5） 这是一个非常困难和复杂的问题。也许先试试简单一点。