Back History
作业3: Mr. PacMan游戏

([course_ai15|Back to course page])
==游戏介绍==

吃豆豆游戏规则介绍：如图1所示，黄色的是吃豆豆主角PacMan，你需要在避免被数个颜色的怪物Ghost追杀的同时把画面内所有白色的豆豆都吃掉。如果被怪物追上就会被怪物吃掉并因此减少一条性命。唯一不怕被怪物追上的情况是PacMan吃到了白色的大豆豆（图1中的2处红圈），这个时候会变成图2中的情况，所有的Ghost都变色了，这个时候的Ghost还可以被PacMan吃掉（获得的分数比吃到豆豆的分数还高！！）。一次游戏PacMan总共有3条命，我们希望你能设计自己的PacMan，尽可能地通过游戏提供的4个关卡（图1,3,4,5）；如果通关的难度比较大，那么希望你在每一关中尽可能获得比较高的分数（左下角的“S”表示当前的分数）。

[imageright|图5|{UP}course_ai15_hw3/5.png][imageright|图4|{UP}course_ai15_hw3/4.png][imageright|图3|{UP}course_ai15_hw3/3.png][imageright|图2|{UP}course_ai15_hw3/2.png][imageright|图1|{UP}course_ai15_hw3/1.png]
<br/><br/><br/><br/><br/>
<br/><br/><br/><br/><br/>




==下载==

[{UP}course_ai15_hw3/PacMan.zip|点击下载(5月20日更新)]，包含
* src目录，为PacMan实验源代码
* data目录，为游戏的资源，放在运行目录下
* weka.jar, 为机器学习开源软件包WEKA，详细信息请见[^http://www.cs.waikato.ac.nz/ml/weka/]
* j48.model, 我训练的一个简单模型


==程序包介绍==

程序需要使用 weka.jar 中的学习算法，确保weka.jar加载到路径中，让Java能找到。

程序总共分成3个包：
#	游戏运行: Exe包。主要用于选择相应的PacMan和Ghost，并启动游戏进行测试。在Exe包中，已写好了DataCollect.java，Executor.java，和MyPacMan.java
##    DataCollect.java，用于收集人的控制数据
##    Executor.java，用于AI自动玩游戏
##   MyPacMac，使用训练好的模型自动控制PacMan
#	控制: pacman.controllers。其中Controller是父类，HumanController是通过键盘的“上下左右”手工控制Pacman的类，而examples包中的类都是提供给大家参考的PacMan和Ghost的示例，比如：RandomPacMan就是采取随机动作的PacMan，NearestPillMan就是采取贪心策略，每次朝着最近的豆豆移动的PacMan。
#	游戏相关设置: pacman.game。比较重要的是Constants类和Game类。Constants类包括了很多游戏中常量参数的定义，比如：PacMan和Ghost能够采取的动作；而Game类则是游戏运行时可以获得相关信息的接口，对于设计自己的PacMan的决策相当重要，里面可用的信息会在后面说明。而其余的类主要用于游戏内部逻辑的设计，比如：节点类Node，地图类Maze。

==熟悉代码==

主要在Exe包中的Executor类中，我们在main函数中写了三种不同的运行方式：
#	可视化＋简单自动PacMan：可以直观地看到PacMan的运行情况{{{{exec.runGame(new NearestPillPacMan(),new RandomGhosts(),visual,delay);}}}}
** 请阅读 RandomPacMan()和NearestPillPacMan() 类，了解如何控制PacMan
#	批量测试＋简单自动PacMan：可以快速测出PacMan的得分，{{{{exec.runExperiment(new RandomPacMan(),new RandomGhosts(),numTrials);}}}}
#	可视化＋使用训练好的模型：{{{{exec.runGame(new MyPacMan("j48.model"),new RandomGhosts(),visual,delay);}}}}这里的j48.model是我预先训练的模型
同学们可以运行Executor来看看有什么效果。

==可使用的信息==

#	PacMan和ghost的动作有五个：UP，RIGHT，DOWN，LEFT，NEUTRAL（当前动作=上一次动作）。具体参见：包pacman.game中的Constants.java。
#	图中点与点之间的距离，提供了三种不同的测量方式：路径距离: 地图上的距离 (比如从当前位置到达目标位置需要采用的步数)；欧氏距离和曼哈顿距离（同离散数学课本中的定义）。具体参见：包pacman.game中的Constants.java。
#	关卡选择：游戏共有四个不同的关卡，可以通过创建不同的Game类示例获得：{{{{Game game = Game(long seed, int initialMaze)}}}} 中的参数initialMaze（0,1,2,3）选择具体的游戏关卡，另外一个参数seed对应游戏中某些情况下产生随机数（比如：RandomGhost的随机动作选择）所需要的随机种子。

下面主要介绍一下通过Game类可以获得的一些游戏运行时重要的相关信息：
#	得到PacMan的当前index（图中的每个位置除了坐标{x,y}表示外，还有唯一的index）{{{{public double getDistance(int fromNodeIndex, int toNodeIndex, DM distanceMeasure)}}}}
#	得到图中所有还没被吃掉的小豆豆的index集合{{{{public int<nowiki>[]</nowiki> getActivePillsIndices()}}}}
#	得到图中所有还没被吃掉的大豆豆的index集合{{{{public int<nowiki>[]</nowiki> getActivePowerPillsIndices()}}}}
#	得到两点之间基于distanceMeasure模式的距离{{{{public double getDistance(int fromNodeIndex, int toNodeIndex, DM distanceMeasure)}}}}
#	得到基于distanceMeasure模式下，距离fromNode最近的targetNode集合中的点的index{{{{public int getClosestNodeIndexFromNodeIndex(int fromNodeIndex, int<nowiki>[]</nowiki> targetNodeIndices, DM distanceMeasure) }}}}
#	得到基于distanceMeasure模式下，得到从fromNode到targetNode最短路线的下一步动作{{{{public MOVE getNextMoveTowardsTarget(int fromNodeIndex, int toNodeIndex, DM distanceMeasure) }}}}
#	判断游戏是否结束{{{{public boolean gameOver() }}}}
#	得到某个Ghost上一步的动作{{{{Public MOVE GhostLastMoveMade(GHOST ghostType)}}}}
#	得到某个Ghost还有多久才会恢复到正常的颜色（PacMan吃了大豆豆之后）{{{{public int getGhostEdibleTime(GHOST ghostType) }}}}
#	得到当前得分{{{{public int getScore()}}}}


==训练自己的PacMan==

* 设计特征
我已写好一个简单的特征提取函数，在 Game.getFeature(int classValue) 中。请根据自己的想法设计特征，修改该函数。

* 收集数据 
运行 Exe 包中的 DataCollect.java，并操作游戏，直到你认为数据已充足。你的操作数据和特征会被纪录到运行目录下的 PacManControlData.arff 文件中。该文件为文本文件，可以查看以理解文件结构。

* 训练模型{BR}使用下面命令可以启动weka图形界面{{{{java -Xmx1000m -jar weka.jar}}}}其中 -Xmx1000m 表示 java 最大可用内存为1000MB。
** 在weka启动界面中选择 Explorer，进入实验环境。
** 在“Preprocess”页面点击“Open file”来读入 PacManControlData.arff 文件
** 然后切换到 “Classify” 页面，训练分类器
*** 在 “Classifier” 部分选择 “Choose” 按钮，多种算法可选择，选择算法后，点击 “Choose” 按钮右边的文字栏，可修改算法参数
*** 在 “Test options” 部分选择 “Use training set” 后点击 “Start” 按钮，可用所有数据来训练模型。选择“”Cross-validation” 后点击 “Start” 按钮，可通过切分样本来估计算法的精度
*** 在 “Result list” 列出训练的模型，点击右键可保存模型

* 测试模型
在Executor.java中的代码 {{{{exec.runGame(new MyPacMan("j48.model"),new RandomGhosts(),visual,delay);}}}} 将读入模型进行PacMan控制。请将 “j48.model” 改为你训练的模型文件。

==作业内容==

# 解释 NearestPillPacMan 类对PacMan的控制方法
# 设计自己的特征，并介绍
# 选择学习方法，在收集的数据上训练模型，并解释你选择的学习方法的原理，以及有何优缺点
# 测试你的模型

==作业报告==

对于以上4点，使用 [{UP}course_ai15_hw1/template-2.doc|这个文档模版(点击下载)] 撰写实验报告。

==作业提交==

将 <font color="blue">作业报告</font> 存储为PDF文件，用学号命名，例如131221001.pdf，与你修改的源码打包为 学号命名的.zip文件

上传到 {{ftp://lamda.nju.edu.cn/AI/assignment3/}}  (用户名: ai15, 密码: ai15)<br/>
(注意：该ftp不能替换文件，上传一次后，如果需要修改，请在文件名后加上版本号再上传，例如131221001-1.pdf)

注意：<font color="red">作业严禁抄袭！</font>