natural_Caduceus

这个很难去在复杂的RTS游戏中界定，不像赛车游戏那样有限的操作空间——后来我想到了“策略的提取”，这样能体现一个人的相关思想（比如让某个人年轻时的思维来处理现在的问题，与当下的新思维碰同一个问题，一定很有趣。在深入研究和思考后发现，现有的比较接近的解决方案是【强化学习中的“模仿学习”】，但是这需要大量的对战数据。

跑出来sc2py的一路踩坑记录

前面讲了如何开展编写规则脚本型Agent（智能体）的方法，现在探究一下如何调用知识型（一般而言的训练出的模型）智能体的方法。train_red_demo.py 文件，提供与示例ai智能体相匹配的训练示例代码。test_red_demo.py 文件，提供与示例ai智能体相匹配的测试示例代码。转回来，看agent.py文件，这个文件是调用智能体的文件，讲规则智能体的时候我也讲到过。2. 本代码包括1个文件夹，2个文件，需要与 train_env 的目录同级。然后我就奇怪，到底是哪里调用所谓的”训练模型“呢？

这里map.gen_move_route函数和self.get_move_type函数又引用自其他地方编写的。仔细看一下，原来是类似于函数指针的写法，将一堆变量指向了一堆函数，然后在代码里定义了诸多的函数。上一篇已经写了，调用起来就是遍历单位、找到合理的动作，再去使用编写的获取具体哪个动作的函数。gen_move函数，就是得到一个路径列表的返回值。这回从解读step函数中的这两句代码开始，返回的。就是上面这段，重点是本篇博文开始时提到的那两行。基本流程至此都看明白了，那么如何编写一个策略呢。

它接受一个字典类型的参数,表示当前的游戏状态、环境信息或玩家信息等。以下是态势()最外层的数据结构以及他们代表的含义。obs = {"actions": list, # 上一步接收到的动作"cities": [], # 各个夺控点的信息"communication": [], # 通信相关信息"jm_points": [], # 间瞄点信息"judge_info": [], # 裁决信息"landmarks": {}, # 地标信息，雷场，路障"operators": [], # 算子信息。

庙算兵棋推演平台中的环境对编写AI的调用方式

9月23开始，9月26完成。因为那时刚从大连回来，十一之后又一个紧急项目当项目负责人，所以隔了这么久才发出来。我尝试进行制作平台AI，想在我的小平板上配好，最好还可以移植。于是我采用WSL（windows自带的）+vscode来进行执行。