三国杀专业分析面板，立志成为桌游界的stockfish-CSDN博客

本文链接：https://blog.csdn.net/m0_59738401/article/details/147494764

三国杀专业分析面板 (SGSFish)

GitHub仓库：
本项目是一个基于 Python 实现的三国杀专业分析面板，旨在模拟玩家决策过程，通过量化评估动作实体（卡牌/技能）的价值、考虑它们之间的相互影响（包括基于作用域的条件影响）、根据战局动态调整策略权重，并结合概率模型估计对手手牌，以提供当前回合最佳行动序列（包含具体作用域选择）及其预期得分。

核心概念

本项目基于以下核心逻辑构建：

属性系统:
- 动作实体 (ActionEntity): 定义了基础的攻击、防御、辅助属性值。
- 武将: 每个武将拥有基础血量上限。
动作实体 (ActionEntity):
- 合并了原有的卡牌和技能概念，代表一个可执行的动作。
- 包含基础属性 (攻击、防御、辅助)。
- 状态属性:
  - timing: 发动时机 (如 0=出牌阶段, 2=判定阶段)。
  - response_suit, response_rank_range: 响应特定花色/数字的要求 (如【闪电】响应黑桃2-9)。
  - scope: 可选的作用域列表 (如【过河拆桥】可选 [1, 2, 3] 代表手牌区、装备区、判定区)。
影响系统:
- 某些动作实体在使用后，可能会对其后使用的特定动作实体产生临时的属性修正。
- 例如，“过河拆桥”作用于手牌区(scope=1)时，可能会提升后续“杀”的攻击评估价值。
- 影响现在可以指定 required_scope，即该影响只有在源动作选择了特定作用域时才生效。
- 这些影响关系、修正值和作用域要求存储在数据库中。
动态权重:
- AI 的决策倾向会根据战场局势动态调整：
  - 敌方血量越低，攻击属性的权重越高，鼓励进攻。
  - 己方血量越低，防御属性的权重越高，鼓励保守或自保。
- 辅助属性的权重当前版本是固定的。
概率模型:
- 通过记录牌堆的初始构成、己方手牌以及（理论上）场上已出现的牌，结合对手当前的手牌数量，来估算对手手牌中持有各种动作实体的可能性（概率）。
- 当前实现为简化模型，基于剩余牌堆比例估算。
最佳序列查找:
- 核心决策逻辑。
- 评估不同作用域: 对于具有可选作用域的动作（如【过河拆桥】），算法现在会评估选择不同作用域的情况。
- 实现方式: 将每个 (动作实体, 选定作用域) 的组合视为一个独立的“动作选择”。算法会遍历这些“动作选择”的所有可能排列组合（包括不同长度的子序列）。
- 对每个序列，结合动态权重和影响系统（现在考虑了影响的 required_scope 和动作选择的 chosen_scope）计算其综合得分。
- 找出总得分最高的序列作为推荐的最佳行动顺序（包含每个动作选择的作用域）。
- 注意：评估不同作用域会显著增加计算复杂度，特别是当手牌中有多张具有可选作用域的牌时。未来可能需要优化搜索算法。
- 理想的排序方式仍然是：优先最大化己方收益，其次考虑最小化敌方潜在威胁。当前实现主要侧重于最大化己方得分。
最佳序列查找:
- 核心决策逻辑。
- 评估不同作用域: 对于具有可选作用域的动作（如【过河拆桥】），算法现在会评估选择不同作用域的情况。
- 实现方式: 将每个 (动作实体, 选定作用域) 的组合视为一个独立的“动作选择”。算法会遍历这些“动作选择”的所有可能排列组合（包括不同长度的子序列）。
- 对每个序列，结合动态权重和影响系统（现在考虑了影响的 required_scope 和动作选择的 chosen_scope）计算其综合得分。
- 找出总得分最高的序列作为推荐的最佳行动顺序（包含每个动作选择的作用域）。
- 注意：评估不同作用域会显著增加计算复杂度，特别是当手牌中有多张具有可选作用域的牌时。未来可能需要优化搜索算法。
- 理想的排序方式仍然是：优先最大化己方收益，其次考虑最小化敌方潜在威胁。当前实现主要侧重于最大化己方得分。
数据存储:
- 使用 SQLite 数据库 (sgs_data.db) 存储所有基础数据，包括：
  - 动作实体的名称、基础属性、状态属性（包括 scope）。
  - 实体之间的影响关系、修正值及作用域要求 (required_scope)。
  - 动作实体的名称、基础属性、状态属性（包括 scope）。
  - 实体之间的影响关系、修正值及作用域要求 (required_scope)。
  - 英雄的名称、血量上限。
  - (未来) 技能的详细数据。
  - (未来) 技能的详细数据。
- 这使得数据与逻辑分离，方便维护和扩展。

项目结构

database.py: 负责数据库的初始化、连接、数据填充（初始实体、英雄、影响）以及从数据库加载数据。
game_elements.py: 定义核心游戏元素的数据类，如 ActionEntity, Hero, Player, AttributeSet。还包括从数据库加载数据后创建实体原型的逻辑。
game_logic.py: 包含主要的决策逻辑，如权重计算 (calculate_weights)、单步行动评估 (evaluate_action)、概率模型 (estimate_opponent_hand_probabilities) 和核心的最佳序列查找 (find_best_sequence)。
main.py: 项目的入口点，设置并运行一个简单的 1v1 测试场景，调用 game_logic 中的函数并打印结果。包含数据库自动初始化的检查逻辑。
database.py: 负责数据库的初始化、连接、数据填充（初始实体、英雄、影响）以及从数据库加载数据。
game_elements.py: 定义核心游戏元素的数据类，如 ActionEntity, Hero, Player, AttributeSet。还包括从数据库加载数据后创建实体原型的逻辑。
game_logic.py: 包含主要的决策逻辑，如权重计算 (calculate_weights)、单步行动评估 (evaluate_action)、概率模型 (estimate_opponent_hand_probabilities) 和核心的最佳序列查找 (find_best_sequence)。
main.py: 项目的入口点，设置并运行一个简单的 1v1 测试场景，调用 game_logic 中的函数并打印结果。包含数据库自动初始化的检查逻辑。

如何运行

确保你的环境中安装了 Python (3.x)。
打开终端或命令提示符，导航到项目目录。
运行主程序：
```
python main.py
```
程序将首先尝试加载数据。如果数据库文件 (sgs_data.db) 不存在或数据不完整，它会自动尝试调用 database.py 中的函数来初始化数据库并填充初始数据。
之后，程序将执行预设的 1v1 测试场景，并输出推荐的行动顺序（包含作用域选择）和对敌方手牌的概率估计。

注意: 如果 main.py 中的自动初始化逻辑失败，或者你想强制重新创建数据库，可以手动运行：
```
python database.py
```
(请注意，这将删除现有的 sgs_data.db 文件并重新创建)

待办事项 / 未来计划

完整实现技能系统: 将技能作为 ActionEntity 添加到数据库，并完善相关逻辑。
完善概率模型: 考虑弃牌堆、装备区、判定区的牌，使用更精确的概率计算方法。
优化序列查找: 当前使用 itertools.permutations 遍历所有“动作选择”的组合，复杂度较高。探索更优化的搜索算法（如A*搜索、蒙特卡洛树搜索、加入启发式剪枝等）。
实现完整排序逻辑: 在 find_best_sequence 中加入对敌方潜在威胁的评估。
扩展数据: 添加更多的三国杀实体、英雄数据。
实现游戏状态机: 更精细地模拟游戏阶段和动作合法性检查。
构建交互界面或模拟器: 创建用户界面或集成到模拟器。
完整实现技能系统: 将技能作为 ActionEntity 添加到数据库，并完善相关逻辑。
完善概率模型: 考虑弃牌堆、装备区、判定区的牌，使用更精确的概率计算方法。
优化序列查找: 当前使用 itertools.permutations 遍历所有“动作选择”的组合，复杂度较高。探索更优化的搜索算法（如A*搜索、蒙特卡洛树搜索、加入启发式剪枝等）。
实现完整排序逻辑: 在 find_best_sequence 中加入对敌方潜在威胁的评估。
扩展数据: 添加更多的三国杀实体、英雄数据。
实现游戏状态机: 更精细地模拟游戏阶段和动作合法性检查。
构建交互界面或模拟器: 创建用户界面或集成到模拟器。