GPCT我们的“张鑫马”算法

        感谢韩鑫和张雨禾，大家一起讨论，编码，画图，Debug Debug Debug了一个半月，能得三等奖我们小组都很满意了，只是遗憾于大家的很多想法由于时间原因未能实现。。

     废话少说，开正题吧...

    题目分析：

    很悲剧，今年的题目又是人工智能，题目说白了，就是给《魔塔》这个游戏写人工智能，大家一定都在文曲星上玩过这个游戏，对，这次算法的目标就是让你的程序自动控制英雄（Mario）自己找到公主并且救出来。但是，我们自己在玩这个游戏的时候找出来就行了，而这次比赛的评判规则是：在救出公主的前提下，生命值越高越好，步数越少好，时间越短越好。但是，这三个评判条件是相互制约的。比如：你想让步数越短越好，你就必须选择一条直路，但是在直路上往往怪兽很多，宝石很少，这就会导致生命值损失严重；而如果进行大规模搜索，尽量找最优解，程序时间必然会很长（要求算法在10s之内完成）。。其实困难远不止如此，比如宝石的属性可能会有负值，或者有负有正，这就让规则的复杂度成指数形式上涨了。。。所以如何让自己的Mario更智能呢？

    算法分析：

    在编写代码前小组对各种寻路以及AI算法一一进行了分析，分析结果如下：

    A*     动态性能良好，但是大局意识差，很容易陷入局部最优；

   Dijkstra    大局意识好（在固定的权值下绝对保证解最优），但是动态性能很差，基本上在算法内核中不容得任何动态修改；

   遗传，蚁群，神经网络  这些算法都是站在一个更高的层次全局审查，但是对不同的编码产生的效果差异很大，对于初学者对参数的设定很不容易控制，换句换说，写的好就是金子，写不好就是垃圾。

    对于数据结构，小组选择了C#的泛型集合List<T>用来储存各种集合数据；（但对于一些高性能代码块，为了提高效率还是采用了传统的线性表）

   算法设计：

      Easy题图：  Dijkstra + 小规模动态权值库 + 动态添删 + 贪心；

      真的很佩服Dijkstra这个人，大学课本上不管是什么课都能学到他的成果，佩服他是第一个提出PV操作和信号量的人，初级地图就靠他最著名的Dijkstra最短路径巡游了！

      对于初级地图，由于没有宝石，别看就是这一个条件，问题难度和后面的地图从本质上已经不一样了。这样的图拿A*或者Dijkstra怎么跑都能跑出最优来。经过小组讨论最终决定采用Dijkstra；

     写好了初级算法后的效果是，一般的初级图都能跑出来了：

      

     

     但是由于地图权值是静态的，这会导致Mario过高“评价”自己，去和打不过怪兽战斗，这样，就需要其他算法的配合了；

     我们的算法是：利用贪心算法，在Mario的这条路径上按怪兽强度从小到大依次人为修改怪兽结点权值为10000，这相当于删除这个结点，通过循环，信号量，配合Dijkstra很快就能找到新的最优路径：

     

     对于Easy地图没有太多可以讨论的地方了，重点在Normal和Hard地图了！

     对于Normal和Hard地图：

     算法设计：Dijkstra + 蚁群算法（改进版，算法重点） + 贪心 + A*（稀疏图） + Floyd（稠密图）

    + 动态添删  + 大规模动态权值 + 快速遗传算法；

    算法的第一步和Easy图是一样的，但是，由于Dijkstra算法是不会走“回头路”的，所以。当完成若干次的Dijkstrta后，一条“主干道”就形成了，这个过程其实是很复杂的，因为可能会出现各种各样非常苛刻的地图，例如需要按照一定的循序吃宝然后打怪，其中主要运用贪心算法，A*，Flody等算法配合找找的出路（这个过程也是算法中最为重要且最为复杂的一环，他直接影响到算法的稳定性）当然，这不是最优解（其实很多地图想要找到最优解真的太难太难了！）

此后就该蚁群算法登场了！和传统蚁群算法不同的是，在信号量的设定上允许信号量为负，对主干道周围区域进行蚁群搜索，然后将有“价值”的分枝加入“主干道”中来。。这样看似就结束了算法，但实际上，这样用蚁群算法后，由于是将Dikjstra和蚁群所寻找到的路径物理化的连接在一起，所以会出现很多重复走过的结点，有人肯能会说，那我将最终路径进行遍历，删除重复的结点不就完了吗？呵呵，这样看似可以，但却忽略了那些苛刻的地图，有些结点的遍历顺序是不允许改变的，这样你就不能区分哪些可以删，那些不能删。。所以在算法的设计上必须添加大量的标志变量以及判断，具体过程在此就不详细说了。。。

      现在算法就剩最后一步了，快速遗传。。因为这次的游戏规则非常复杂，所以很难找到一个“套路”对结点的权值进行设定。所以算法第一次是老老实实按照游戏规则进行一次相对而言“最合适”的权值设定（但很多情况下，看似合理的权值设定都不一定会有很好的结果），接下来就开始通过不同的权值设定方式进行设定了，小组一共设计了20来个设定方案，进过一个大循环，把每一种方案的结果保存下来，但是要注意，有些情况是找不出解的，这是因为在对待苛刻地图上始终是采用最基本的权值设定方案，没办法，小组只好在算法中加入计时器和异常处理，对于超时和异常情况进行舍弃。

      初始化完成20个种群后（可能只有10几个，经过实验，一般种群大小会在15个以上），现在就可以用遗传算法进行微调了，由于这些种群几乎不能叫做“初始种群”了，所以很快就可以收敛到一起（1~2秒,有的只要0.0几秒），最终的路径，就是本算法的最优路径了~~~~~