當(dāng)前位置：首頁(yè) > 编程语言 > java >内容正文

java

Java 实现扫雷与高胜率低耗时自动扫雷 AI (下)

發(fā)布時(shí)間：2024/1/8 java 37 豆豆

生活随笔收集整理的這篇文章主要介紹了 Java 实现扫雷与高胜率低耗时自动扫雷 AI (下) 小編覺(jué)得挺不錯(cuò)的,現(xiàn)在分享給大家,幫大家做個(gè)參考.

上一篇博客介紹了本項(xiàng)目總體情況, 這一篇來(lái)介紹一下我實(shí)現(xiàn)的自動(dòng)掃雷 AI 算法. 本 AI 勝率比網(wǎng)上最高勝率的 AI 差 0.5% 左右. 不過(guò)本 AI 也不是沒(méi)有優(yōu)勢(shì), 它運(yùn)算速度很快 (強(qiáng)行有優(yōu)勢(shì) (ˉ▽￣～)), 平均 42 毫秒可以?huà)咄暌痪?Win XP 規(guī)則下的專(zhuān)家難度.

這篇博客會(huì)介紹一下我的思路和踩過(guò)的坑, 也會(huì)列出一些關(guān)于勝率的數(shù)據(jù). 希望能夠幫助其他萌新入個(gè)門(mén). 項(xiàng)目已經(jīng)開(kāi)源, 代碼也寫(xiě)了注釋, 鏈接放在文章最后.

先再次把最終成品的 AI 勝率等指標(biāo)羅列一下:

指標(biāo)Win XP 規(guī)則測(cè)試結(jié)果Win 7 規(guī)則測(cè)試結(jié)果

測(cè)試版本	Win XP 規(guī)則, 專(zhuān)家難度	Win 7 規(guī)則, 專(zhuān)家難度
測(cè)試局?jǐn)?shù)	50,0000 局	50,0000 局
勝率	39.68%	52.45%
運(yùn)行總耗時(shí)	21275 秒	33136 秒
每局平均耗時(shí)	42 毫秒	66 毫秒
勝局的每局平均耗時(shí)	57 毫秒	68 毫秒

注1: 測(cè)試 Win XP 規(guī)則是在半夜運(yùn)行的, 電腦除了掃雷沒(méi)有在運(yùn)行其他進(jìn)程; 而測(cè)試 Win 7 規(guī)則時(shí)我同時(shí)還在拿電腦辦公, 導(dǎo)致 Win 7 規(guī)則下耗時(shí)比 XP 多. 而實(shí)際上 Win XP 與 Win 7 應(yīng)該運(yùn)行時(shí)間差不多.
注2: 測(cè)試使用的掃雷程序是自己復(fù)現(xiàn)的 Win XP 與 Win 7 規(guī)則, 而非模擬鼠標(biāo)點(diǎn)擊原版掃雷窗口. 因?yàn)槟菢犹? 網(wǎng)上有大佬已經(jīng)測(cè)試過(guò), Win XP, Win 7 原版掃雷并無(wú)影響地雷分布的隱藏規(guī)則. 所以若真要在原版上測(cè)試, 結(jié)果應(yīng)該不會(huì)有較大偏差.

我在網(wǎng)上找到的勝率最高的掃雷 AI 是 ztxz16 大佬寫(xiě)的, Win XP 版本勝率 40.07%, Win 7 版本勝率 52.98%. 我的做法也是參考了 ztxz16 大佬的算法 (最強(qiáng)掃雷 AI 算法詳解 + 源碼分享 - ztxz16). B 站的 _黃歪歪應(yīng)該也是他, 也發(fā)了些關(guān)于掃雷 AI 的視頻. 膜一波.

不過(guò) ztxz16 大佬的這個(gè)項(xiàng)目偏試驗(yàn)性, 我頂著沒(méi)有注釋的壓力把大佬開(kāi)源的源碼看了一遍, 看得出來(lái)有些地方他應(yīng)該是懶得優(yōu)化, 最終 AI 速度不是很快. 我本來(lái)想自己測(cè)試一遍他的 AI, 但跑了一晚上也只跑出來(lái)了幾千局還是幾萬(wàn)局 (捂臉).

該交代的差不多都交代完了, 下面開(kāi)始講我的做法.

高勝率低耗時(shí)自動(dòng)掃雷 AI 算法

術(shù)語(yǔ)與定義

統(tǒng)一一下一些操作的術(shù)語(yǔ)方便后續(xù)描述. 我不是掃雷圈的, 很多術(shù)語(yǔ)可能不知道, 所以如果以下操作本來(lái)就有自己的中文名稱(chēng), 提醒我我會(huì)改過(guò)來(lái)的!

操作術(shù)語(yǔ)

鼠標(biāo)左鍵, 那個(gè)點(diǎn)開(kāi)格子的操作	挖掘
鼠標(biāo)右鍵, 那個(gè)放置小紅旗的操作	插旗
鼠標(biāo)雙鍵或中鍵, 那個(gè)自動(dòng)檢測(cè)周?chē)烁袷欠窨赏诰虻牟僮?/td>	檢查周?chē)?/td>
空白的, 沒(méi)點(diǎn)過(guò)的格子	未知格
已知的有數(shù)字 (包括 0) 的格子 (已挖開(kāi)且不是雷的格子)	數(shù)字格

另外,

格子坐標(biāo)

(x, y)

表示

x

行

y

列, 下標(biāo)從

0

開(kāi)始.

N

和

M

為棋盤(pán)行數(shù)與列數(shù),

\times M

表示格子總數(shù).

以下所涉及的 “勝率”, 除非另外注明, 均為 Win XP 規(guī)則專(zhuān)家難度下的勝率.

第一步: 開(kāi)局挖哪

開(kāi)局第一步點(diǎn)擊不同的地方也是會(huì)影響勝率的. 根據(jù) ztxz16 大佬的測(cè)試 (地表最強(qiáng)掃雷AI ? 編程探索掃雷極限勝率 - _黃歪歪), 開(kāi)局 Win XP 挖掘 $(0, 0)$ , Win 7 挖掘 $(2, 2)$ (或?qū)ΨQ(chēng)的另外三個(gè)角落) 勝率最高.

我自己也對(duì) Win XP 與 Win7 大致測(cè)了一下 $(0, 1)$ , $(1, 0)$ , $(1, 1)$ 等幾個(gè)位置, 確實(shí)如此, 勝率會(huì)下降 1% ~ 2% 左右.

Win XP 開(kāi)局

(0, 0)

Win 7 開(kāi)局

(2, 2)

不過(guò)至于為什么是角落勝率比中心高, 我猜可能是角落有更多可套用減法公式的場(chǎng)景 (減法公式在下一節(jié)有講). 減法公式本質(zhì)就是根據(jù)相鄰兩個(gè)數(shù)字格的一側(cè)去推斷另一側(cè). 而邊緣的格子天然已知靠邊的一側(cè)無(wú)雷, 因而可以更容易地推斷出另一側(cè)雷的個(gè)數(shù).

第二步: 基于定義與定式

用到了兩個(gè)基本公式或定式:

第一, 僅基于一格判斷: 即根據(jù)目標(biāo)數(shù)字格的數(shù)字與其周?chē)烁?(角落的話(huà)不滿(mǎn)八格) 的狀態(tài), 判斷該數(shù)字格周?chē)烁竦奈粗袷遣皇侨珵槔谆蛉粸槔? 這是掃雷最基本的公式. 其邏輯其實(shí)就是鼠標(biāo)左右雙鍵檢查周?chē)倪壿?

第二, 基于相鄰兩格: 即使用減法公式.

如圖, $M$ , $N$ 為兩個(gè)相鄰數(shù)字格, 兩者上下各有一塊互相影響的公共區(qū)域 $P$ , $Q$ , 左右則分別有互不影響的兩翼 $A$ , $B$ . 記地雷數(shù)量為 $C$ , 顯然地雷數(shù)量 $C$ 符合如下等式:

$\begin{cases} C_{AroundM} = C_A + C_P + C_Q \\ C_{AroundN} = C_B + C_P + C_Q \end{cases}$

兩式相減即得減法公式:

$C_{AroundM} - C_{AroundN} = C_A - C_B$

即 $M$ 與 $N$ 的數(shù)字之差就是 $A$ 與 $B$ 雷數(shù)量之差.

舉個(gè)簡(jiǎn)單的例子: 如下方案例圖 1 兩個(gè)數(shù)字格 $2 ? 1 = 1$ , 即藍(lán)色區(qū)域比綠色區(qū)域多一個(gè)雷, 而藍(lán)色區(qū)域三個(gè)格子有兩個(gè)已知不是雷, 故而可推得藍(lán)色區(qū)域有且只有一個(gè)雷, 這個(gè)雷只能在 * 處. 既然藍(lán)區(qū)有一個(gè)雷, 綠區(qū)就有 $1 ? 1 = 0$ 個(gè)雷, 故而 N 處必為一個(gè)數(shù)字格.

案例圖 1

案例圖 2

而如果相鄰兩格的一側(cè)在棋盤(pán)邊緣, 如案例圖 2 所示, 藍(lán)區(qū)在棋盤(pán)外, 即藍(lán)區(qū)無(wú)雷, 而 $M ? N = 0$ , 故綠區(qū)均不為雷.

可見(jiàn)減法公式在邊緣有更多的使用場(chǎng)景, 這可能也是開(kāi)局要挖角落的原因之一.

關(guān)于減法公式更詳細(xì)的內(nèi)容可以參考這篇專(zhuān)欄: 掃雷新手判雷上路（一）——初步認(rèn)識(shí)減法公式及其衍生的最簡(jiǎn)單定式 - MsPVZ.ZSW.

截至這一步的勝率與耗時(shí)

如果僅僅使用基本定式, 遇到定式無(wú)法解決的就投降判負(fù), 勝率在 5% 左右 (畢竟如果開(kāi)局就點(diǎn)了個(gè) ‘1’, 那就直接無(wú)了).

而如果僅使用基本定式, 遇到定式無(wú)法解決的就瞎猜, 勝率就已經(jīng)有 23% 了.

平均每局耗時(shí)在 4ms 以下, 沒(méi)精確測(cè)過(guò). 基于定式的算法雖然使用場(chǎng)景較為受限, 但效率非常高, 掃完一整局的時(shí)間復(fù)雜度也就 $O (S)$ .

第三步: 基于每個(gè)格子可能有雷的概率

針對(duì)某一棋局局面, 每個(gè)未知格有雷的概率當(dāng)然是可以計(jì)算出來(lái)的, 即

$\frac{目標(biāo)未知格含雷的方案數(shù)量}{局面所有可行方案數(shù)量}$

掃的時(shí)候誰(shuí)有雷的概率最低就掃誰(shuí).

局面所有可行方案的計(jì)算方法用回溯法即可. 當(dāng)然直接就對(duì)所有未知格進(jìn)行回溯的話(huà)復(fù)雜度有 $O(2^S)$ 自然受不了, 所以這一步的算法主要難點(diǎn)是剪枝.

如何剪枝, 可以用下面這張圖很直觀地展現(xiàn)出來(lái):

在上圖中, 每個(gè)未知格上都被打上了該格子的非雷概率 (注意, 這張圖上展示的是 “非雷概率”, 也就是 $1 - P_{有雷}$ ), 且與數(shù)字格相鄰的未知格均被用彩色高亮了出來(lái); 而不與數(shù)字格相鄰的未知格則均用灰色標(biāo)識(shí).

不知道怎么取名, 這里我姑且將所有相近的 (不一定緊挨)、相同顏色的未知格集合稱(chēng)作一個(gè) “連通分量”, 而剩下所有灰色格子姑且稱(chēng)之為 “孤立格”. 而本小節(jié)最重要的兩個(gè)步驟就是①計(jì)算出所有連通分量, ②基于連通分量計(jì)算出每個(gè)未知格的有雷概率.

計(jì)算連通分量

回溯法剪枝其實(shí)就是要分隔出盡可能短的連通分量, 然后在每個(gè)連通分量上回溯出所有可能方案, 最后合并所有連通分量的方案.

首先不太嚴(yán)謹(jǐn)?shù)囟x一下 “連通分量”. 在不考慮剩余雷數(shù)制約的前提下, 如果一個(gè)未知格 A 最終挖開(kāi)的不同狀態(tài) (數(shù)字或雷) 會(huì)影響另一個(gè)未知格 B 不同狀態(tài)的概率分布 (反過(guò)來(lái) B 的狀態(tài)也會(huì)影響 A), 則認(rèn)為 A、B 同屬一個(gè)連通分量. 且若 A、B 同屬一個(gè)連通分量, B、C 同屬一個(gè)連通分量, 則 A、B、C 同屬一個(gè)連通分量.

放到實(shí)際計(jì)算中, 其實(shí)就很簡(jiǎn)單:

從任意數(shù)字格開(kāi)始, 找出其周?chē)烁裰兴形粗? 并加入隊(duì)列;

取隊(duì)列中一未知格, 找出其周?chē)烁裰兴袛?shù)字格, 再分別找出這些數(shù)字格周?chē)烁竦奈粗袢腙?duì)列 (不重復(fù)入隊(duì)).

重復(fù) 2 直到隊(duì)列為空. 在隊(duì)列里存在過(guò)的所有未知格均屬同一連通分量.

用上述方法計(jì)算得的連通分量?jī)?nèi)部其實(shí)依然可能存在互不影響的部分, 可以進(jìn)一步優(yōu)化, 將一個(gè)連通分量拆成多個(gè)更短的連通分量.

優(yōu)化方法也很簡(jiǎn)單, 如果已經(jīng)能確定某個(gè)未知格是雷, 請(qǐng)把他插上小紅旗 (網(wǎng)上看了很多 AI 不喜歡插旗). 如下兩張圖所示.

不插旗時(shí)找出的連通分量 (深紅)

插了旗后找出的連通分量 (青色、深紅)

計(jì)算有雷概率

(公式敲的我頭昏腦脹, 如有錯(cuò)誤請(qǐng)指正)

回溯枚舉所有 $K$ 個(gè)連通分量, 可以得到如下結(jié)果:

對(duì)于 $\forall c \ge 0$ , $\forall i \in [1, K]$ , $\forall j \in [1, Len(CC_i)]$ ,

$TotalCnt_{(i, c)}$ - 當(dāng)連通分量 $CC_i$ 中一共有 $c$ 個(gè)雷時(shí)的所有可行方案?jìng)€(gè)數(shù).
$MineCnt_{(i, j, c)}$ - 當(dāng)連通分量 $CC_i$ 中一共有 $c$ 個(gè)雷時(shí), 屬于 $CC_i$ 的格子 $Cell_{(i, j)}$ 在所有 $TotalCnt_{(i, c)}$ 個(gè)可行方案中有雷的次數(shù).

由上述信息可以計(jì)算, 前 $k$ 個(gè)連通分量 $CC_1 \sim CC_k$ 作為一個(gè)整體一共有 $c$ 個(gè)雷時(shí)的方案數(shù):

$\begin{aligned} MultiCnt_{(1 \sim k, c)} & = \sum_{s = 0}^c MultiCnt_{(1 \sim k - 1, s)} \times TotalCnt_{(k, c - s)} & (1) \\ & = \sum_{s = 0}^c MultiCnt_{(1 \sim i - 1, s)} \times MultiCnt_{(i \sim k, c - s)}, i \in [2, k] & (2) \end{aligned}$

在實(shí)際編程中, 會(huì)涉及大量計(jì)算 $MultiCnt_{(\text{except }i, c)}$ . 使用上面 $(1)$ 動(dòng)態(tài)規(guī)劃, 使用 $(2)$ 從左右雙向記憶化, 能節(jié)約點(diǎn)計(jì)算.

然后對(duì)于所有不屬于任何連通分量的孤立格, 我們也要計(jì)算它們的可行方案數(shù). 若 $b$ 個(gè)孤立格中有 $c$ 個(gè)雷, 則這些孤立格的可行方案數(shù)為:

$IsolCnt_{(b, c)} = IsolCnt_{(b - 1, c)} + IsolCnt_{(b - 1, c - 1)}$

實(shí)際實(shí)現(xiàn)中我直接打了個(gè) $16 \times 30 \times 99$ 的表.

于是可以計(jì)算, 所有 $b$ 個(gè)孤立格與指定連通分量集合 $T$ 在有 $c$ 個(gè)雷的情況下的可行方案數(shù)為:

$Cnt_{(T, c)} = \sum_{s = 0}^c MultiCnt_{(T, s)} \times IsolCnt_{(b, c - s)}$

于是, 對(duì)于任意連通分量的任意格子 $Cell_{(i, j)}$ , 一共 $c$ 個(gè)雷, $K$ 個(gè)連通分量, 其有雷概率為:

$MineProb_{(i, j)} = \frac{\sum_{s = 0}^c Cnt_{(\text{except }i, s)} \times MineCnt_{(i, j, c - s)}}{Cnt_{(1 \sim K, c)}}$

有了每個(gè)連通分量的格子的概率, 孤立格子的概率就很好算了:

$MineProb_{\text{isol}} = \frac{c - \sum_{i}\sum_{j}MineProb_{(i, j)}}{b}$

由此我們就計(jì)算出了所有未知格的有雷概率.

附加小策略小技巧

當(dāng)有雷概率最低的未知格有不止一個(gè)時(shí), 也有些小策略可以增加勝率. 經(jīng)過(guò)實(shí)際測(cè)試, 目前我采用了以下策略, 能提升 2% 左右:

優(yōu)先選擇在四個(gè)角落的格子;

當(dāng)兩者都在 (或都不在) 角落時(shí), 選擇周?chē)?24 格中數(shù)字格最多的.

截至這一步的勝率與耗時(shí)

這一步的算法的使用場(chǎng)景是覆蓋了基本定式那一步的, 即定式能做的概率也能做. 但定式速度快, 所以仍有存在意義. 測(cè)了十來(lái)萬(wàn)盤(pán), “定式 + 概率” 策略的勝率在 36% ~ 37% 左右, 平均每局耗時(shí) 6ms.

(一開(kāi)始我沒(méi)有將連通分量的不同雷數(shù)分開(kāi)考慮, 而是根據(jù)連通分量的平均雷數(shù)來(lái)計(jì)算, 導(dǎo)致勝率只有 32%, 可見(jiàn)近似算法差距還是很大的.)

而加上了那些小策略后, 勝率提升到了 38.5%.

極端情況:

到這里你可能有疑問(wèn), 剪枝確實(shí)很高效, 但如果遇到極端情況不是依然得爆炸?

答案是肯定的. 但是經(jīng)過(guò)我這么多次的測(cè)試, 基本上 1,0000 局里也很難遇上極端情況.

但如果您真的很迫切地想看我的 AI 出丑也沒(méi)關(guān)系, 我親自在項(xiàng)目根目錄放了一個(gè)難以剪枝的殘局案例, 保證讓您風(fēng)扇起飛.

第四步: 基于對(duì)下一局面的有限預(yù)測(cè)

這一步是我瞎想的, 沒(méi)想到真的有用. 想到這一步的主要原因是, 無(wú)雷概率高不完全等于獲勝概率高; 而計(jì)算勝率又絕大部分情況下不可行. 于是就想著整個(gè)折中方案.

這一步是針對(duì)上一步有雷概率計(jì)算出現(xiàn)多個(gè)格子有最低有雷概率的情況. 本策略會(huì)覆蓋上面說(shuō)的小策略小技巧, 但又由于本策略復(fù)雜度不低, 所以當(dāng)判斷發(fā)現(xiàn)計(jì)算量過(guò)大時(shí)還是采用之前的小策略小技巧.

原理是, 對(duì)于每個(gè)有雷概率最低的格子, 計(jì)算: 選擇該格子后, 可被百分百確定的其他未知格的期望數(shù)量. 方法是, 枚舉格子的所有可能性 (0 ~ 8, 雷), 使用上一步的概率計(jì)算這一假設(shè)的新局面中所有格子的非雷概率. 最后統(tǒng)計(jì)每個(gè)新局面必然非雷的格子個(gè)數(shù), 計(jì)算一下它們的平均值.

最后我們選擇期望值最高的格子.

截至這一步的勝率與耗時(shí)

測(cè)了萬(wàn)把盤(pán), 勝率達(dá)到 39.3%, 平均每局耗 8ms 多.

這一步我做的比較保守, 因?yàn)槲也恢烙袥](méi)有可能出現(xiàn) “非雷概率 A > B” 但 “勝率 A < B” 的情況.

第五步: 基于勝率 (最終殺招)

最后一招, 直接把每個(gè)未知格的勝率算出來(lái).

這里區(qū)分一下 “獲勝概率” 與第三步的 “有雷概率”. 勝率是指挖掘某個(gè)未知格的最終獲勝概率; 有雷概率是指當(dāng)前局面下未知格是雷的概率. 顯然, 當(dāng)前局面所有未知格中最高的勝率代表了這個(gè)殘局的整體勝率.

這世上沒(méi)有什么策略比直接算勝率更準(zhǔn)了, 但可惜它的復(fù)雜度過(guò)于恐怖, 所以我只在當(dāng)殘余未知格少于等于 12 時(shí)才會(huì)啟用這個(gè)策略.

算法原理還是動(dòng)態(tài)規(guī)劃. 設(shè) $b$ 為當(dāng)前局面, $b_{(x, y)}$ 為將未知格 $x$ 設(shè)為數(shù)字 $y$ 的下一局面. 另設(shè) $C e l l W i n R a t e ()$ 為某格子的勝率, $B o a r d W i n R a t e ()$ 為某局面的勝率, $C n t ()$ 為某局面的所有可行方案?jìng)€(gè)數(shù).

$\begin{aligned} BoardWinRate(b) & = \underset{x}{\text{Max}}(CellWinRate(b, x)) \\ CellWinRate(b, x) & = \sum_{y=0}^{8}BoardWinRate(b_{(x, y)}) \times \frac{Cnt(b_{(x, y)})}{Cnt(b)} \end{aligned}$

每個(gè)局面 $b$ 可以狀態(tài)壓縮, 用一個(gè) String 表示, 方便記憶化搜索.

勝率算法計(jì)算完后就很簡(jiǎn)單了, 勝率最高的格子隨便挑一個(gè)挖. 而且所有后續(xù)局面的勝率也在之前的計(jì)算中緩存過(guò)了, 從緩存里掏出來(lái)一路掃到結(jié)束即可.

我自己整理了幾個(gè) “無(wú)雷概率” 與 “獲勝概率” 區(qū)別的例子 (這里是無(wú)雷概率, 為了方便與勝率對(duì)比), 可以幫助理解一下:

無(wú)雷概率獲勝概率

更多對(duì)比案例可以在我的 Github 項(xiàng)目根目錄找到.

衍生

最后我稍微衍生了一下使用場(chǎng)景. 如果某個(gè)區(qū)域只可能有 $c$ 個(gè)雷 (雷數(shù)可確定, 比如幸福三選一), 那這片區(qū)域也能套用勝率算法直接掃掉, 姑且叫之局部勝率. 這個(gè)操作不會(huì)影響總體勝率, 但能稍微提一丟丟速 (指爆雷重開(kāi)的速度… 早發(fā)現(xiàn)早治療, 早暴斃早投胎).

最終勝率與概率

已經(jīng)寫(xiě)在博文最上面了. 50 萬(wàn)局測(cè)試, 勝率 39.68%, 平均每局 42ms.

附: 探索百分比

測(cè)試 50 萬(wàn)盤(pán)的時(shí)候順便記錄了一下每一局不論輸贏都探索到了什么程度 (游戲結(jié)束前被掃開(kāi)的格子占所有格子的百分比). 雖然不知道有什么用但也列一下 (柱狀圖是我在命令行里畫(huà)的, 有點(diǎn)寫(xiě)意):

Win XP 規(guī)則專(zhuān)家難度 50,0000 局: A 占比 | | | | | | M M | M M M | M M M | M M M M M M M M M M M +---------------------------------------------> 探索程度0% 10% 20% 30% 40% 50% 60% 70% 80% 90% 100% Win 7 規(guī)則專(zhuān)家難度 50,0000 局: A 占比 | | | | M | M | M | M M | M M | M M M M M M M M M M M +---------------------------------------------> 探索程度0% 10% 20% 30% 40% 50% 60% 70% 80% 90% 100%

這么看確實(shí) Win XP 下開(kāi)局勸退得有點(diǎn)離譜.

源碼

本博客僅發(fā)布于 Github IO: https://xienaoban.github.io/posts/62679.html

和 CSDN: https://blog.csdn.net/XieNaoban/article/details/112424633

其他都是盜的.

項(xiàng)目源碼 Github: https://github.com/XieNaoban/Minesweeper
(喜歡的話(huà) Star 一下呀（づ￣3￣）づ╭?～)

不會(huì)用 Github 的萌新也可以在這里下載: https://download.csdn.net/download/XieNaoban/14090898

主要有以下幾個(gè)文件:

AutoSweeper.java // 自動(dòng)掃雷 AI Gui.java // 掃雷 GUI 界面 Main.java // 執(zhí)行入口 MineSweeper.java // 掃雷游戲規(guī)則的實(shí)現(xiàn) WinXpSweeper.java // 通過(guò)監(jiān)視 Win XP 原版掃雷完成的規(guī)則實(shí)現(xiàn)

其中 AutoSweeper.java 和 MineSweeper.java 寫(xiě)的比較上心, 有較為詳細(xì)的注釋, 代碼結(jié)構(gòu)也相對(duì)清晰. 別的幾個(gè)文件就寫(xiě)的比較寫(xiě)意, 酌情觀看.

總結(jié)

以上是生活随笔為你收集整理的Java 实现扫雷与高胜率低耗时自动扫雷 AI (下)的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。

上一篇： ubuntu16.04下运行Drcom客
下一篇： -webkit-touch-callou