Đề tài xây dựng game giải mê cung dùng các thuật toán trong việc tìm đường đi tối ưu

Đó là những ứng dụng lớn lao của trí tuệ nhân tạo vào của sống của con người.Trong bài tập lớn này chúng em sử dụng những thuật toán đã học cùng với giao diện trực quan mô tả cách thức h

TRƯỜNG ĐH SƯ PHẠM KỸ THUẬT TP HỒ CHÍ MINHKHOA CÔNG NGHỆ THÔNG TIN

TIỂU LUẬN CUỐI KỲ Môn học: TRÍ TUỆ NHÂN TẠO

ĐỀ TÀI: XÂY DỰNG GAME GIẢI MÊ CUNGDÙNG CÁC THUẬT TOÁN TRONG VIỆC TÌM

ĐƯỜNG ĐI TỐI ƯU

Giảng viên: PGS.TS Hoàng Văn Dũng

Danh sách sinh viên thực hiện

MỤC LỤC

PHẦN 1 MỞ ĐẦU 1

1.1.Lời nói đầu 1

1.2.Phát biểu bài toán 1

1.3.Mục đích, yêu cầu cần thực hiện 2

2.4.2.Mô tả trong code 6

2.5.Giải thuật UCS 8

2.5.1.Ý tưởng 8

2.5.2.Mô tả trong code 8

2.6.Giải thuật Greedy Search 10

2.6.1.Ý tưởng 10

2.6.2.Mô tả trong code 10

2.7.Giải thuật A* 12

2.7.1.Ý tưởng 12

2.7.2.Mô tả trong code 13

2.8.Giải thuật ID 14

2.8.1.Ý tưởng 14

2.8.2.Mô tả trong code 14

2.9.Giải thuật Beam Search 16

2.9.1.Ý tưởng 16

2.9.2.Mô tả trong code 16

PHẦN 3 PHÂN TÍCH, THIẾT KẾ GIẢI PHÁP 19

3.1.Phân tích 19

3.2.Thiết kế giao diện 20

3.1.1.Giao diện trang chủ 20

3.1.2.Giao diện người chơi 21

3.1.3.Giao diện AI 22

4.3.Thuật toán UCS 27

4.4.Thuật toán Greedy 28

4.5.Thuật toán A* 29

4.6.Thuật toán ID 30

4.7.Thuật toán Beam 31

4.8.Phân tích chi phí cho nhiều map và trung bình 31

4.9.Đánh giá kết quả các thuật toán 35

DANH MỤC HÌNH ẢNH

Hình 1 Code cho thuật toán BFS 5

Hình 2 Code cho thuật toán DFS 7

Hình 3 Code cho thuật toán UCS 9

Hình 4 Code cho thuật toán Greedy 11

Hình 5 Code cho thuật toán Astar 14

Hình 6 Code cho thuật toán ID 16

Hình 7 Code cho thuật toán Beam 18

Hình 8 Giao diện trang chủ 20

Hình 9 Giao diện chế độ người chơi 21

Hình 10 Giao diện chế độ AI chơi 22

Hình 11 Vẽ bản đồ 23

Hình 12 Dừng khẩn cấp 24

Hình 13 Demo thuật toán BFS 25

Hình 14 Demo thuật toán DFS 26

Hình 15 Demo thuật toán UCS 27

Hình 16 Demo thuật toán Greedy 28

Hình 17 Demo thuật toán A* 29

Hình 18 Demo thuật toán ID 30

Hình 19 Demo thuật toán Beam 31

DANH MỤC BIỂU ĐỒ

Biểu đồ 1 Biểu đồ cột so sánh số nút duyệt giữa các thuật toán 32

Biểu đồ 2 Biểu đồ cột so sánh số bước di chuyển giữa các thuật toán 33

Biểu đồ 3 Biểu đồ cột so sánh thời gian chạy giữa các thuật toán 34

Biểu đồ 4 Biểu đồ so sánh tổng hợp các thuật toán 35

DANH MỤC CÁC TỪ VIẾT TẮT

PHẦN 1 MỞ ĐẦU1.1 Lời nói đầu

Ngày nay cùng với sự phát triển về khoa học và kỹ thuật là sự phát triển mạnh mẽ của nền công nghệ thông tin Trong công nghiệp, nghiên cứu khoa học thì công nghệ thông tin đống vai trò rất quan trong trong sự phát triển của đât nước cũng như toàn thế giới

Trên thế giới cũng như ở Việt Nam, công nghệ thông tin đã trở thành một ngày công nghiệp mũi nhọn, nó là một ngày khoa học kỹ thuật không thể thiếu trong việc áp dụng vào các hoạt động xã hội và khoa học Nền công nghiệp hiện nay mang tính chất tự động hóa cao kèm theo đó là sự đòi hỏi về việc ứng dụng công nghệ thông tin cho lĩnh vực này Vậy để có thể đáp ứng tốt những yêu cầu của ngày càng cao hơn trong lĩnh vực tự động hóa người ta đã tiến hành lập trình cho những cỗ máy, những người máy có thể tư duy như con người nhằm giảm bớt các gánh nặng công việc Việc ứng dụng trí tuệ nhân tạo đã tạo ra một cuộc cách mạng lớn trong việc tìm hiểu và chinh phục những điều mà con người không dám mơ tới Đó là những robot thông minh, những cỗ máy thông minh có thể thay thế con người làm việc trong những môi trường khắc nghiệt hay chinh phục không gian bao la.Và bên cạnh đó là việc ứng dụng những thành tựu đó vào lĩnh vực giải trí của con người Đó là những con vật robot, những trò chơi Đó là những ứng dụng lớn lao của trí tuệ nhân tạo vào của sống của con người.

Trong bài tập lớn này chúng em sử dụng những thuật toán đã học cùng với giao diện trực quan mô tả cách thức hoạt động của các thuật toán AI để sinh viên dể dàng hiểu được cũng như vận dụng chúng cho chính công việc của họ sau này.

Mặc dù rất cố gắng để hoàn thành công việc, xong thời gian có hạn và kiến thức chưa nhiều nên việc chương trình còn nhiều thiếu sót cần được bổ xung Vì vậy chúng em mong nhận được những đóng góp của thầy cô và bạn bè để chương trình ngày càng hoàn thiện hơn và giúp ích được nhiều hơn.

1

1.2 Phát biểu bài toán

Bài toán đặc ra là dùng các giải thuật đã học trong trí tuệ nhân tạo để giải mã một mê cung và tìm đường đi đến vị trí chìa khóa và vị trí cửa cuối cùng.

1.3 Mục đích, yêu cầu cần thực hiện

Mục đích của đề tài này là dùng giao diện trực quan mô tả quá quá trình giải mã các thuật toán AStar, Breadth First Search, Depth First Search, Uniform-Cost Search, Greedy Search, Iterative Deepening Search, Beam Search đồng thời tính toán thời gian thực thi của từng thuật toán cho từng không gian trạng thái khác nhau.

Bài toán tìm đường đi trong một mê cung dùng để mô phỏng đánh giá các thuật toán trong việc giải mã các mê cung khác nhau, từ đó đưa ra nhận xét và kết luận về việc giải mã mê cung, đánh giá không gian trạng thái cũng như tính toán thời gian thực hiện thuật toán để xác định với mỗi không gian trạng thái khác nhau thì ta cần sử dụng thuật toán nào để tối ưu hóa nhất có thể Đồ án học phần này có giá trị như một phần mô phỏng phục vụ cho mục đích giáo dục sau này.

PHẦN 2 CƠ SỞ LÝ THUYẾT

2.1 Môi trường lập trình

Với bài tập lớn này chúng em sử dụng Python làm ngôn ngữ chính để viết code với trình soạn thảo code Visual Studio Code và trình biên dịch spyder (anaconda3)

2.2 Thư viện chính sử dụng

Thư viện chính được nhóm chúng em sử dụng là pygame Đây là thư viện mã nguồn mở trên ngôn ngữ Python dùng để lập trình video game Pygame chứa đầy đủ các công cụ hỗ trợ lập trình game như đồ họa, hoạt hình, âm thanh, và sự kiện điều khiển Pygame cũng đồng thời cung cấp các công cụ tích hợp hiệu ứng âm thanh cũng như nhạc nền cho game Cuối cùng, các sự kiện điều khiển từ bàn phím, chuột cũng được Pygame hỗ trợ một cách hiệu quả.

Trong đề tài này, nhóm chúng em sử dụng Pygame để xây dựng giao diện và mô phỏng chuyển động thuật toán.

Đầu mỗi file, khai báo thư viện pygame qua câu lệnh ‘import pygame’.

2.3 Giải thuật BFS

Thuật toán duyệt đồ thị ưu tiên chiều rộng là thuật toán tìm kiếm mù mà những đỉnh gần với đỉnh gốc sẽ được duyệt trước.

2.3.1 Ý tưởng

Với đồ thị không trọng số và đỉnh nguồn Đồ thị này có thể là đồ thị có hướng hoặcs vô hướng, điều đó không quan trọng đối với thuật toán.

Đầu tiên ta thăm đỉnh nguồn s

Việc thăm đỉnh sẽ phát sinh thứ tự thăm các đỉnh (u1 , u2 ,…up) kề với s s (những đỉnh gần nhất) Tiếp theo, ta thăm đỉnh u1, khi thăm đỉnh u1 sẽ lại phát sinh yêu cầus thăm những đỉnh (v1, v2, …, vp) kề với u1 Nhưng rõ ràng những đỉnh này “xa” v s hơn những đỉnh uu nên chúng chỉ được thăm khi tất cả những đỉnh uu đều đã được thăm Tức là thứ tự thăm các đỉnh sẽ là: , u1 , u2, …, up , v1, v2, …, vp.s

3

2.3.2 Mô tả trong code

def bfs(GUI Grid start end, , , ): came_from.pop(start) returncame_from, count

fornei inGrid.neighbors[flat(current, Grid.size)]: ifnei incame_from):

ifcame_from[nei] not incame_from): came_from[nei] current else:

came_from[nei] current

ifneinot in states_history: count+=1

states.append((count, nei)) states_history.add(nei)

2.4 Giải thuật DFS

Thuật toán tìm kiếm theo chiều sâu là một thuật toán duyệt hoặc tìm kiếm trên một cây hoặc một đồ thị Thuật toán khởi đầu tại gốc (hoặc chọn một đỉnh nào đó coi như gốc) và phát triển xa nhất có thể theo mỗi nhánh.

2.4.1 Ý tưởng

Đây là thuật toán tìm các đỉnh bằng cách duyệt theo chiều sâu Đầu tiên ta thăm đỉnh nguồn s

Xuất phát từ 1 đỉnh và đi cho đến khi không thể đi tiếp, sau đó đi về lại đỉnh đầu Trong quá trình quay lại:

Nếu gặp đường đi khác thì đi cho đến khi không đi tiếp được nữa Nếu không tìm ra đường đi nào khác thì ngừng việc tìm kiếm.

Trong quá trình đi đến đỉnh khác, thuật toán sẽ lưu lại đỉnh cha vừa đi qua để khi đi ngược lại từ đỉnh Kết thúc đến đỉnh Xuất phát, ta có thể xem được đường đi từ đỉnh Kết thúc đến đỉnh Bắt Đầu (có thể số lần đi không ít nhất, các bạn có thể tham khảo thuật toán BFS).

2.4.2 Mô tả trong code

def dfs(GUI Grid start end, , , ):

returncame_from, count

neis =Grid.neighbors[flat(current, Grid.size)] .np random.shuffle(neis)

fornei inneis: ifnei incame_from):

ifcame_from[nei] not incame_from): came_from[nei] current else:

came_from[nei] current

ifneinot in states_history: count+=1

states.append((count, nei)) states_history.add(nei)

2.5 Giải thuật UCS

Thuật toán tìm kiếm chi phí đều là một biến thể của thuật toán Dijkstra, được sử dụng hiệu quả trong những đồ thị vô hạn hoặc những đồ thị quá lớn để biểu diễn trong bộ nhớ Thuật toán UCS được sử dụng chính trong ngành Trí tuệ Nhân tạo.

2.5.1 Ý tưởng

Việc tìm kiếm sẽ bắt đầu tại nút gốc và tiếp tục tìm bằng cách duyệt các nút tiếp theo với trọng số (chi phí) thấp nhất tính từ nút gốc Các nút được duyệt tiếp tục cho đến khi đến được nút đích.

Thuật toán tìm kiếm với chi phí cực tiểu

2.5.2 Mô tả trong code

def ucs(GUI Grid start end, , , ):

g_score=float("inf") forrow inGrid.data for _inrow] g_score[flat(start, Grid.size)] =0

whilenotstates.empty(): ifabortCatch(): return ( , )0 0

current =states.get()[2] # start point ifcurrent==end:

returncame_from, count

fornei inGrid.neighbors[flat(current, Grid.size)]: temp_g_score =g_score[flat(current, Grid.size)] +1 iftemp_g_score <g_score[flat(nei, Grid.size)]: came_from[nei] current

7

g_score[flat(nei, Grid.size)] =temp_g_score ifnei instates_history:

continue

count+=1

states.put((g_score[flat(nei, Grid.size)], count nei, )) states_history.add(nei)

2.6 Giải thuật Greedy Search

Thuật toán tìm kiếm tham lam (Greedy Search) là một thuật toán giải quyết một bài toán theo kiểu metaheuristic để tìm kiếm lựa chọn tối ưu địa phương ở mỗi bước đi với hy vọng tìm được tối ưu toàn cục

2.6.1 Ý tưởng

Nói chung, giải thuật tham lam có năm thành phần:

● Một tập hợp các ứng viên (candidate), để từ đó tạo ra lời giải

● Một hàm lựa chọn, để theo đó lựa chọn ứng viên tốt nhất để bổ sung vào lời giải ● Một hàm khả thi (feasibility), dùng để quyết định nếu một ứng viên có thể được

dùng để xây dựng lời giải

● Một hàm mục tiêu, ấn định giá trị của lời giải hoặc một lời giải chưa hoàn chỉnh ● Một hàm đánh giá, chỉ ra khi nào ta tìm ra một lời giải hoàn chình

2.6.2 Mô tả trong code

def greedy(GUI Grid start end, , , ):

f_score=float("inf") forrow inGrid.data for _inrow] f_score[flat(start, Grid.size)] =heu(start, end)

whilenotstates.empty(): ifabortCatch():

9

return ( , )0 0

current =states.get()[2] # start point ifcurrent==end:

came_from.pop(start, None) returncame_from, count

fornei inGrid.neighbors[flat(current, Grid.size)]: f_score[flat(nei, Grid.size)] =heu(nei, end) ifnei instates_history:

continue

came_from[nei] current count+=1

states.put((f_score[flat(nei, Grid.size)], count nei, )) states_history.add(nei)

2.7 Giải thuật A*

Thuật toán A* là một thuật toán tìm đường đi từ một nút khởi đầu tới một nút đích cho trước (hoặc tới một nút thỏa mãn một diều kiện đích) Thuật toán này sử dụng một “đánh giá heuristic” để xếp loại từng nút theo ước lượng về tuyến đường tốt nhất đi qua nút đó Thuật toán này duyệt các nút theo thứ tự của đánh giá heuristic này Do đó, thuật toán A* là một ví dụ của tìm kiếm theo lựa chọn tốt nhất (best-first search).

2.7.1 Ý tưởng

Xét bài toán tìm đường – bài toán mà A* thường được dùng để giải A* xây dựng tăng dần tất cả các tuyến đường từ điểm xuất phát cho tới khi nó tìm thấy một đường đi chạm tới đích Tuy nhiên, cũng như tất cả các thuật toán tìm kiếm có thông tin nó chỉ xây dựng các tuyến đường “có vẻ” như dẫn về phía đích.

A* lưu giữ một tập các lời giải chưa hoàn chỉnh, nghĩa là các đường đi qua đồ thị, bắt đầu từ nút xuất phát Tập lời giải này được lưu trong một hàng đợi ưu tiên (priority queue) Thứ tự ưu tiên gán cho một đường đi x được quyết định bởi hàm f(x) = g(x) + h(x).

Trong đó, g(x) là chi phí của đường đi cho đến thời điểm hiện tại, nghĩa là tổng trọng số của các cạnh đã đi qua h(x) là hàm đánh giá heuristic về chi phí nhỏ nhất để đến đích từ x Ví dụ, nếu "chi phí" được tính là khoảng cách đã đi qua, khoảng cách đường chim bay giữa hai điểm trên một bản đồ là một đánh giá heuristic cho khoảng cách còn phải đi tiếp

Hàm f(x) có giá trị càng thấp thì độ ưu tiên của x càng cao (do đó có thể sử dụng một cấu trúc heap tối thiểu để cài đặt hàng đợi ưu tiên này).

11

2.7.2 Mô tả trong code

def a_star(GUI Grid start end, , , ):

g_score=float("inf") forrow inGrid.data for _inrow] g_score[flat(start, Grid.size)] =0

f_score=float("inf") forrow inGrid.data for _inrow] f_score[flat(start, Grid.size)] =heu(start, end)

whilenotstates.empty(): ifabortCatch(): return ( , )0 0

current =states.get()[2] # start point states_history.remove(current) ifcurrent==end:

returncame_from, count

fornei inGrid.neighbors[flat(current, Grid.size)]: temp_g =g_score[flat(current, Grid.size)] +1 iftemp_g>=g_score[flat(nei, Grid.size)]: continue

came_from[nei] current g_score[flat(nei, Grid.size)] =temp_g

f_score[flat(nei, Grid.size)] =temp_g +heu(nei, end) ifnei instates_history:

continue

count+=1

states.put((f_score[flat(nei, Grid.size)], count nei, )) states_history.add(nei)

Thuật toán tìm kiếm ID là một thuật toán tìm kiếm không gian trạng trái với phiên bản giới hạn độ sâu của tìm kiếm theo chiều sâu được chạy lặp đi lặp lại với giới hạn độ sâu tăng dần cho đến khi đạt được mục tiêu được tìm thấy

2.8.1 Ý tưởng

Iterative Deepening Search gọi DFS cho các độ sâu khác nhau bắt đầu từ giá trị ban đầu Trong mọi cuộc gọi, DFS bị hạn chế vượt quá độ sâu nhất định Vì vậy, về cơ bản chúng thực hiện DFS theo kiểu BFS.

Bắt đầu tìm kiếm theo DFS với độ sâu tối đa là 0 Nếu không tìm thấy giải pháp ở độ sâu này thì năng lên độ sâu tiếp theo

2.8.2 Mô tả trong code

def ideep(GUI Grid start end, , , ):

depth_limit_max =Grid.size **2 step =GUI.stepIDS

whiledepth_limit<=depth_limit_max: ifabortCatch():

return ( , )0 0 states_history.clear()

13

whilelen(states) !=0: came_from.pop(start) returncame_from, count ifdepth==depth_limit: break

neis =Grid.neighbors[flat(current, Grid.size)] np random.shuffle(neis)

fornei inneis: ifnei incame_from):

ifcame_from[nei] not incame_from): came_from[nei] current

states.append((count, nei)) states_history.add(nei) ifnei !=endandnei !=start: simulate(GUI, nei)

Hình 6 Code cho thuật toán ID

2.9 Giải thuật Beam Search

biểu đồ bằng cách mở rộng nút trong một tập hợp giới hạn Beam Search là sự tối ưu hóa của Best-First Search giúp giảm yêu cầu về bộ nhớ Best-First Search là tìm kiếm đồ thị sắp xếp tất cả các giải pháp một phần trạng thái theo một số phương án heuristic Nhưng trong Beam Search, chỉ một số giải pháp của từng phần tốt nhất được xác định trước mới được giữ làm ứng cử viên

2.9.1 Ý tưởng

Beam Search sử dụng tìm kiếm theo chiều rộng để xây dựng thuật toán tìm kiếm Ở mỗi cấp độ của cây, nó tạo ra các trạng thái kế tiếp ở cấp độ hiện tại, sắp xếp chúng theo thứ tự tăng dần về chi phí heuristic Tuy nhiên nó chỉ lưu trữ số lương được sách sách trước

2.9.2 Mô tả trong code

def beam(GUI Grid start end, , , ): Grid.generateNeighbors()

count =0

states =PriorityQueue() states.put((0count, start)) states.put((0count, start)) states_history= {start} came_from= {}

f_score=float("inf") forrow inGrid.data for _inrow] f_score[flat(start, Grid.size)] =heu(start, end)

whilenotstates.empty():

returncame_from, count ifcurrent_second==end: came_from.pop(start, None) returncame_from, count

fornei inGrid.neighbors[flat(current_first, Grid.size)]: f_score[flat(nei, Grid.size)] =heu(nei, end) ifnei instates_history:

continue

came_from[nei] current_first count+=1

states.put((f_score[flat(nei, Grid.size)], count nei, )) states_history.add(nei)

ifnei !=end: simulate(GUI, nei)

fornei inGrid.neighbors[flat(current_second, Grid.size)]: f_score[flat(nei, Grid.size)] =heu(nei, end) ifnei instates_history:

continue

came_from[nei] current_second count+=1

states.put((f_score[flat(nei, Grid.size)], count nei, )) states_history.add(nei)