mctspy井字棋示例详解从状态定义到AI对弈的完整链路看懂AI是如何选棋的【免费下载链接】monte-carlo-tree-searchMonte carlo tree search in python项目地址: https://gitcode.com/gh_mirrors/mont/monte-carlo-tree-searchmctspy 是一个用 Python 实现的蒙特卡洛树搜索Monte Carlo Tree Search, MCTS库专为两人零和小规模博弈设计。它的经典示例就是让 AI 自己下井字棋Tic-Tac-Toe——通过几万次随机推演试错AI 会自己悟出该下哪一步。本文带你走通从状态定义到 AI 选棋的完整链路无需任何机器学习背景也能看懂 为什么井字棋是理解 MCTS 的最佳示例MCTS 的核心思想其实很朴素不知道哪步棋好那就把每种走法在脑子里快进到下完赢多说明这步棋好。概念一句话解释选择Selection从根节点出发挑一个看起来最有希望的分支往下走扩展Expansion遇到没试过的走法就把新节点加进搜索树模拟Simulation/Rollout从新节点开始随机下完整盘棋回传Backpropagation把输赢结果一路汇报回根节点更新统计井字棋棋盘只有 3×3 9 格走法少、规则简单是验证这条思考链路的最小完美场景。项目结构一览想定位每段逻辑先看目录路径均为项目根目录下的相对位置直接按路径打开即可mctspy/games/common.py—— 所有游戏必须实现的状态接口抽象基类mctipy下的示例游戏mctspy/games/examples/tictactoe.py井字棋、mctspy/games/examples/connect4.py四子棋mctipy/tree/nodes.py—— 搜索树的节点选择、扩展、模拟、回传都在这里mctipy/tree/search.py—— MCTS 主循环入口tests/test_game_results.py—— 胜负判定与选棋的单元测试安装只需一条命令pip3 install mctspy唯一依赖是 numpy见setup.py。第一步定义棋盘状态 TicTacToeGameState打开mctipy/games/examples/tictactoe.py核心类TicTacToeGameState把整个棋盘存成一个 numpy 矩阵1代表玩家 X 落子-1代表玩家 O 落子0代表空格它继承自mctipy/games/common.py中的TwoPlayersAbstractGameState抽象基类因此必须实现 4 个游戏规则方法game_result—— 判断局面X 赢返回 1O 赢返回 -1平局返回 0没下完返回 None。实现上非常巧妙不用逐一数连线而是用 numpy 对每行、每列、两条对角线求和一旦某段和等于 ±win 就判胜 ✅is_game_over—— 直接问game_result是否为 Noneis_move_legal—— 三步校验轮到的玩家吗坐标在棋盘内吗格子是空的吗move—— 把一步棋贴到棋盘上交换先手返回一个全新的状态对象原状态不被修改这正是搜索树能安全分叉的关键get_legal_actions—— 找出所有空格每个空格生成一个TicTacToeMove(x, y, 当前玩家)其中TicTacToeMove就是一步棋的数据封装横坐标、纵坐标、落子方。状态类回答局面长什么样、能怎么走动作类回答怎么走——两者配合MCTS 引擎本身完全不用改。MCTS 节点AI 的记忆与直觉mctipy/tree/nodes.py中的TwoPlayersGameMonteCarloTreeSearchNode是搜索树的每个节点内部只维护三样东西_number_of_visits这个节点被走过多少次访问次数 n_results【免费下载链接】monte-carlo-tree-searchMonte carlo tree search in python项目地址: https://gitcode.com/gh_mirrors/mont/monte-carlo-tree-search创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考