跳到主要內容

多人連線版本的吃金幣的人

吃金幣的人是對基因算法的一個研究和實驗,主要是資料及算法上的研究和測試。後來使用good的繪圖能力把它圖形化,同時測試及擴展good的整合能力。現在再進一步把它和網路底層作結合,建立一個新的實驗平台,命名為nature online。


和good一樣建立no的目的是為了創造一個可以讓我平常利用空間時間來作研發和實驗的平台。no整合了所有到目前為止所作的小實驗和研究。主要的目標是研究分散式網路遊戲的架構及模擬生態系統。

目前具備的功能:
- 分散式的網路伺服器架構,後端使用mysql。
- 使用2張測試地圖,隨時可以任意切換至任意地圖任意位置。
- 地圖物件目前有二種:tree/bug。
- tree物件應用生命遊戲規則生成及更新。
- bug物件應用基因算法活動食物為tree物件。
- 自動同步client可見視野內的內容。
-使用good為client成象引擎。

下階段的目標是持續底層研發及增加更多種類的物件。

;=========================

以下二件事是需要特別記錄的。

A.
首先tree物件的更新決定以生命遊戲的規則來作更新及生成,規則沒什麼問題,問題是數量和速度。如果是像good內建的life範例,那相當於16x16的地圖格子大小,總數也才256格,每次更新時全訠256格都掃一次也沒什麼問題。不過當地圖變成像no那樣是500x500或更大時,問題就出來了。每次要掃那麼多的格子,速度就成為一個問題了,而且server每次更新不只是要更新tree物件而己,還有其它工作要作。

一個簡單的解決方法是只檢查需要檢查的格子。

1,記錄目前有那些存活的格子
2,根據存活的格子推算有那些格子在下一世代可能產生狀態變化,可能有狀態變化的格子也就是存活的格子的周圍8個空格子
3,下一世代只需計算(目前存活格子+可能產生狀態變化的格子),其它的格子都可以忽略不看

假設目前存活的格子是10000個,這10000個格子周圍總共30000個空格子,那麼下一世代只需計算40000個格子,而不是全部250000個格子。數量大大的減少了!

B.
bug物件是以基因算法為基礎來製作。和吃金幣的人一樣,假設基因的編碼是根據上下左右中5個格子(環境變數)共3種不同狀態,基因長度為243。現在的問題是,假設過了一段時間之後,要改變編碼需要檢查的格子數或狀態數,這樣一來原本之前花時間演化出來的基因就會無效。因為新舊編碼方法不同產生的基因長度是不同的,二者無法一一對應。雖然舊的編碼方式的基因可以作為新編碼方式基因的一個子集合被包含,但是存取的方法必須改變,否則無法相容。

一個簡單的解決方法是另外維護一個編碼對照表,這樣即使基因的長度擴充了,舊的基因的位置還是不變可以向下相容。

1,建立<狀態編碼,基因位置>對照表
2,分別處理二種不同的擴充基因的狀況
  * 檢查格子數擴充
  * 檢查狀態數擴充


討論檢查格子數擴充的狀況。



0   0 [0]   0 [0 0]     idx0
1   0 [1]   0 [0 1]     idx1
     1  0     0 [1 0]     idx2
     1  1     0 [1 1]     idx3
                1  0 0       idx4
                1  0 1       idx5
                1  1 0       idx6
                1  1 1       idx7


假設現在只看一個格子且狀態只有0和1二種,如最上表最左行所示,基因長度為2,基因的索引位置為0和1。現在新增一個格子,每個格子一樣有二種狀態,基因長度變為4(2^2)。請看上表中間的部份,列出4種可能的狀態編碼,中括號標出來的[0]和[1]為一個格子的狀況的可能編碼,這是需要在基因擴充時保持不變且向下相容的部份。同樣的再增加一個格子,總共可能的編碼變為3^2=8。如上表右側部份列出所有可能編碼,中括號標示出來的部份[00][01][10]及[11]是必須保持不變向下相容的。

討論檢查狀態數擴充的狀況。



0 0   [0 0]   [0 0]    idx0
         0 1     [0 1]   idx1
         1 0      0 2     idx2
         1 1    [1 0]    idx3
                  [1 1]    idx4
                   1 2      idx5
                   2 0      idx6
                   2 1      idx7
                   2 2      idx8


如上表所示,類似於討論檢查格子數擴充的狀況所說明的,每增加一個新的狀態時,需要保持不變且向下相容的編碼規則會有些不同。不像上面增加檢查格子時舊的部份維持在上半部,新增的部份在下部份。每增加一個新的狀態時,舊的編碼和新的編碼會互相交錯,但還是可以看出其中的規則。

依據以上二個不同狀況變更編碼擴充基因時變更維護的<狀態編碼,基因位置>對照表,這樣就可以繼續套用原來己花時間演化出來的基因而不必全部打掉重來。


留言

這個網誌中的熱門文章

KillSudoku 4顆星精彩數獨詳解 - 鍊技巧

這題數獨(sudoku)題目估計為4+顆星,有點難度。解題需要應用多種技巧,過程非常精彩有趣,是個好題。 底下使用 KillSudoku 作詳細圖解。 1,使用基本排除法則,可以簡單填入6個數字。到此為止,開始使用 候選數法 來解題。如下所示,為填入6個數字後的狀態圖。 2,如下圖,使用進階排除法,在第9列和第4行可以先排除幾個候選數。 3,如圖,在第2行有一個 Naked Subset (3,4),可以對3,4候選數作排除。附帶提一下,反過來看在同一行裡面也可以說有另一個Hidden Subset(2,5,8)存在。Naked Subset和Hidden Subset常是一體二面同時存在,只不過對我們來說,Naked Subset是相對比較容易看的出來。 排除第2行的3,4後,又可以對第2列以外的3作排除,如下圖。 4,接著,在第5行又發現了一個 Naked Subset (3,7,8)。 對第5行三個Subset以外的候選數3,7,8作排除後,又接著產生可以對第5行以外的3作排除。 5,這一題解到此為止,開始進入高潮。大部份能解到3顆星題目的人,猜想應該就此卡住。以下開始需要應用更高級的鍊技巧,才能夠繼續進行。 應用X-Chains鍊技巧,可以找到一條由4條強連結組成的鍊,可以排除候選數2。這裡的鍊指的是由2條以上的強連結組成,而所謂的強連結是指在同一行、或同一列或同一個Box裡,由唯二的候選數構成的連結。如上圖中的第9行中,只有二個2,這二個2構成一條強連結。為什麼說這是一條強連結?因為在這條連結的AB二個端點中,肯定會有一個2存在,要麼是A點要麼是B點。鍊技巧就是將多條強連結串連起來作候選數排除的技巧,而X-Chains是高級的鍊技巧裡面的基本技巧。 接上圖,這樣一來就又可以應用基本排除方法,填入3個數字,如下圖所示。 6,接下來就是本題最精彩的部份,以下需要連續找到3條鍊,才能繼續往下解。 7,找出3條鍊後,剩下來的部份就沒什麼特別的了,只需要應用基本法就能把所有剩餘數字填完。

單人撲克牌遊戲 - 蒙地卡羅

更多可在網頁玩的 單人撲克牌遊戲 ; 新增一個簡單的單人撲克牌遊戲: 蒙地卡羅 ,簡單介紹一下玩法。 下載 事先排列好5x5張牌。 每次移動一張可以配對的牌,並消除這對牌。在上下、左右及斜向相隣的二張牌,只要擁有同樣數字(不計花色),即可配對。 消除二張配對的牌後,剩餘的牌以往左往上的方式補滿空隙,接著在發新牌補滿後面的空格。 重覆步驟2~3,直到沒有牌可以配對及發完所有牌為止。 結果有二種。一個是勝利,成功的消除掉所有牌。另一個是Gameover沒有牌可以再作配對。

窮人的 AI:自動漫畫分鏡切割

  ( 試試看 ) 在手機上看漫畫時,有一個體驗上的問題: 漫畫原本是「整頁設計」 手機最適合的是「一格一格往下滑」 與其強迫使用者縮放、拖曳、放大,更直覺的做法是: 直接把一頁漫畫自動切成多個分鏡,轉成瀑布流閱讀。 這篇文章分享一個不靠深度學習、完全在前端完成的實作方式: 使用 OpenCV.js 做分鏡偵測 輸出 rect list 再用 全畫面 Canvas 把每個分鏡當成一個「閱讀單位」 整個系統可以拆成三層: 漫畫圖片 ↓ 影像處理(找出 rects) ↓ 排序後的 rect list ↓ 全畫面 Canvas 逐格呈現(瀑布流) Step 1:灰階化 漫畫的資訊 90% 都在線條上,顏色反而是干擾。 cv.cvtColor(src, grayImage, cv.COLOR_RGBA2GRAY); 灰階化的好處: 降低維度 對邊緣偵測更穩定 對黑白漫畫特別有效 Step 2:邊緣偵測,抓出「分鏡的邊」 接下來用最經典、也最夠用的 Canny Edge Detection: cv.Canny(grayImage, edges, 50, 150); 在漫畫中,分鏡外框通常就是最明顯的邊界。 Step 3:形態學操作,把破碎邊框「補起來」 真實漫畫的線條並不完美,常常有斷線、陰影、留白。 所以要做一個很重要的步驟:膨脹(Dilation) const kernel = cv.Mat.ones( 5 , 5 , cv.CV_8U); cv.dilate(edges, dilatedEdges, kernel); 直覺理解就是: 把細線「抹粗一點」, 讓本來斷掉的邊界連成封閉區域。 這一步直接決定後面能不能成功抓到「一整格分鏡」。 Step 4:找輪廓,轉成矩形框(rect) 有了封閉區域之後,就可以找輪廓: cv.findContours( dilatedEdges, contours, hierarchy, cv.RETR_EXTERNAL, cv.CHAIN_APPROX_SIMPLE ); 每一個 contour,代表一個「可能的分鏡區塊」。 接著轉成矩形: const rect = cv.boundingRect(contour); rects.push([rect.x, rect.y, rect.widt...