之前，我們簡單的分析介紹了實作貪吃蛇的基本原理和工具，本篇我們将進一步用代碼分析其具體的形成過程。
設定規則
首先，我們需要設計運作時彈出的框的大小，在已設環境中，初始化蛇的長度和寬度，以及蛇每次移動的距離。這裡看個人喜好，不加以講解。
接下來我們需要确定蛇如何運動，貪吃蛇中比較重要的就是控制蛇的方向，這裡我們使用「随機函數」來設定了蛇的「方向」。定義了初始位置之後，我們用0到3四個數模拟上下左右。
如下我們假設「a=random.randint」(0,3)為0，這時我們設定它為向左走0到3個機關，此時定義方向為1。同理可以得到a另外三個取值的情況。
if a == 0:
self.X = deque([x_start, x_start - 1, x_start - 2, x_start - 3])
self.Y = deque([y_start, y_start, y_start, y_start])
init_dir = 1
複制
模拟蛇吃果實的場景，吃到果實時，蛇的身體會增加一機關長度（增加多少随參數設定變化而不同），這時，我們可以等價看成「果實的坐标加入了整個蛇的坐标隊列」，即隻需把果實的坐标添加，再區分蛇頭和身體即可。判定吃到果實後，分數增加50，果實重新整理。
def eat_food(self, x_food, y_food):
self.X.appendleft(x_food)
self.Y.appendleft(y_food)
self.LENGTH += 1
self.MOVES += 100
def update(self, x_change, y_change):
# 更新貪吃蛇身體位置
for i in range(self.LENGTH - 1, 0, -1):
self.X[i] = self.X[i - 1]
self.Y[i] = self.Y[i - 1]
# 更新貪吃蛇頭部位置
self.X[0] = self.X[0] + x_change
self.Y[0] = self.Y[0] + y_change
self.MOVES -= 1
複制
if new_head_x == self.FOOD_X and new_head_y == self.FOOD_Y:
self.SNAKE.eat_food(self.FOOD_X, self.FOOD_Y) # 确認吃了食物
reward = 50 # 給予吃食物的獎勵
food_eaten = True
複制
def reset(self):
......
......
self.FOOD_X, self.FOOD_Y = self.get_randoms() 複制
接下來模拟蛇當場去世的情況。我們用坐标來模拟蛇，那麼顯然，當蛇的頭位置與身體位置發生重合時，即判定撲街。同時，如果蛇頭觸碰了邊界，我們同樣判定其死亡。代碼中我們會設定一個函數來判定，當其滿足死亡條件時，将被指派為False（訓練時我們将結果存儲在done[]）。
def bit_itself(self):
for i in range(1, self.LENGTH):
if self.X[0] == self.X[i] and self.Y[0] == self.Y[i]:
return True
return False
def is_on_body(self, check_x, check_y, remove_last=True):
X, Y = self.X.copy(), self.Y.copy()
if remove_last: # 不考慮尾部
Y.pop()
for x, y in zip(X, Y):
if x == check_x and y == check_y:
return True
return False
複制
if new_head_x < x1 or new_head_x > x2 or new_head_y < y1 or new_head_y > y2:
reward = -50
done = True
self.SNAKE.kill() 複制
def kill(self):
self.is_alive = False
複制
此處我們涉及到了zip（）函數，zip的功能主要是将涉及到的元素合并起來，這裡通過将蛇身體的坐标的合并，可以輕松得到坐标列，當蛇頭（x,y）正好在該列之中，即重合。
if action == 0:
if self.VELOCITY == 1: # 向右移動
x_change = 1
else:
x_change = -1 # 向左移動
update = True
......
複制
具體的行動規則依照設定的上下左右的方式來決定。
到此我們完成了貪吃蛇設計的第一階段。
上圖是貪吃蛇人工智能誕生，訓練與運作的主要流程，我們将以該圖流程為依據展開。
初始化環境
神經網絡參數的設定
HIDDEN_UNITS = (32, 16, 32) # 神經網絡隐藏層神經元數目
NETWORK_LR = 0.001 # 神經網絡學習率
BATCH_SIZE = 64 # 訓練批次
UPDATE_EVERY = 5 # 本地模型每訓練5次更新
GAMMA = 0.95 # 強化學習中的折扣因子
NUM_EPISODES = 5000 # 最大疊代次數
def train():
agent = DeepQ_agent(env, hidden_units=HIDDEN_UNITS, network_LR=NETWORK_LR,
batch_size=BATCH_SIZE, update_every=UPDATE_EVERY, gamma=GAMMA) # 深度學習環境
......
複制
折扣因子是估算未來的價值所需要的元素。在貪吃蛇中，我們需要大約确定未來幾步的最優選擇，而距離現在越遠，其影響越小，即當我們計算rewards時，未來每一步的分數都會乘折扣因子的n次方。
環境狀态設定
def reset(self):
# 初始化貪吃蛇和食物的位置
snake_x, snake_y = self.get_randoms(length=4)
self.SNAKE = Snake(snake_x, snake_y, self.WIDTH, self.HEIGHT)
self.VELOCITY = self.SNAKE.INITIAL_DIRECTION
self.FOOD_X, self.FOOD_Y = self.get_randoms()
self.STATE = self.SNAKE.look(self.FOOD_X, self.FOOD_Y,
self.get_boundaries())
return self.STATE
複制
初始化蛇、果實的位置，方向，将其存儲在state中（Q（s,a）的 s）
設定訓練模型和張量
判斷蛇和與環境的關系，生成環境張量
上面的代碼塊中的look就是機器判斷環境的核心
def look(self, x_food, y_food, boundaries):
# 往上觀察
up = self.lookInDirection(boundaries, y=-1, x=0)
......#左右等剩餘七個觀察
head_x, head_y = self.head_pos()
......
aa = np.hstack((food_position, up, up_right, right, down_right, down, down_left, left, up_left))
return np.hstack((food_position, up, up_right, right, down_right, down, down_left, left, up_left))
def lookInDirection(self, boundaries, y, x):
tail_distance = 0 # 0如果尾部不在這個方向
distance = 1 # 1是離牆的最小距離
curr_x, curr_y = self.head_pos()
check_x, check_y = curr_x + x, curr_y + y # 按照方向變化頭部位置
x1, x2, y1, y2 = boundaries
while y1 <= check_y <= y2 and x1 <= check_x <= x2:
if tail_distance == 0 and (self.is_on_body(check_x, check_y,
remove_last=False)):
tail_distance = (1 / distance)
# 持續疊代
check_y += y
check_x += x
distance += 1
return np.array([1 / distance, tail_distance])
複制
邊界距離從行動後distance的疊代得到。通過對果實，邊界距離、方向的計算與估計，确立出state。通過look出來的結果，将各種影響環境狀态的因素用hstack合并，生成環境張量。
開始訓練
建立本地和目标模型，并預估動作
self.qnetwork_local = QNetwork(input_shape=self.env.STATE_SPACE,
output_size=self.nA,
learning_rate=self.NETWORK_LR)
#print(self.qnetwork_local.model.summary())
#一個模型用于本地訓練，另外一個模型随之更新權重
self.qnetwork_target = QNetwork(input_shape=self.env.STATE_SPACE,
output_size=self.nA,
learning_rate=self.NETWORK_LR)
self.memory = ReplayMemory(self.MEMORY_CAPACITY, self.BATCH_SIZE)
複制
#使用本地模型估計下一個動作
target = self.qnetwork_local.predict(states, self.BATCH_SIZE)
#使用目标模型估計下一個動作
target_val = self.qnetwork_target.predict(
next_states, self.BATCH_SIZE)
target_next = self.qnetwork_local.predict(
next_states, self.BATCH_SIZE) 複制
用兩個模型的優點和各自用途在（上）中已經講到過，這裡不再解釋。
幹貨 | Python人工智能在貪吃蛇遊戲中的應用探索（上）
計算分數
for i in range(self.BATCH_SIZE):
if dones[i]:
target[i][actions[i]] = rewards[i]
else:
target[i][actions[i]] = rewards[i] + self.GAMMA * \
target_val[i][max_action_values[i]
複制
當蛇死掉，分數即為目前的分數。否則将繼續疊代，但是預估的每個未來的行動都會乘以折扣因子。同時，在訓練批次範圍内的多次循環會得到一系列的rewards，其中的最大值就是我們預估出的最佳行動方式，我們以此會不斷更新權重，使貪吃蛇更加智能。
執行訓練
開始移動
def act(self, state, epsilon): #設定epsilon預設為0
state = state.reshape((1,)+state.shape)
action_values = self.qnetwork_local.predict(
state)
if random.random() > epsilon:
#選擇最好的行動
action = np.argmax(action_values)
else:
#選擇随機的行動
action = random.randint(0, self.nA-1)
return action
複制
行動的時候有兩種情況。此處我們設定了epsilon（取0.1），并取（0,1）随機數，當大于epsilon時則按照rewards最大的經驗行動。當小于時，則會随機采取一次行動，同時epsilon會乘以一個系數，直到設定的最小值（我們設定了0.01）。這樣做的目的，是為了在剛開始訓練時，快速積累行動經驗，加快人工智能的進步。同時，随着無數次的訓練，權重的不斷更新，蛇的行動會越來越準确。
存儲與提取經驗
def add_experience(self, state, action, reward, next_state, done):
self.memory.add(state, action, reward, next_state, done)
def add(self, state, action, reward, next_state, done):
'''把經驗存儲起來'''
e = tuple((state, action, reward, next_state, done))
複制
def sample(self, state_shape):
experiences = random.sample(self.memory, k=self.BATCH_SIZE)
# 提取回報資訊
states, actions, rewards, next_states, dones = zip(*experiences)
複制
def learn(self):
if self.memory.__len__() > self.BATCH_SIZE:
states, actions, rewards, next_states, dones = self.memory.sample(
self.env.STATE_SPACE) 複制
當經驗組數量大于訓練批次後，每次我們都會提取出64組（訓練批次數量）的經驗，來得到相應的action。
model_arch = '2019816'
resume_model_path = model_out_dir + '/snake_dqn_2019815_final.h5'
複制
agent.qnetwork_local.model = load_model('F://貪吃蛇//SnakeAI-master//agents_models//snake_dqn_2019816_3000.h5')
複制
這一步是人工智能貪吃蛇的關鍵步驟，「我們定義訓練模型的路徑，并在正式運作時調用。該訓練檔案會存入訓練生成神經網絡模型的權重。當我們運作時會調用該檔案中的權重。如果該路徑下沒有已有的訓練檔案，那麼訓練生成的權重就會存入。如果想要重新訓練，我們就要删除并重新定義這一路經。」
這裡的原理是「通過神經網絡的無數次訓練來調整權重。當貪吃蛇訓練時遇到新環境，根據已有模型，預測一個接近的結果向量來選擇最好的方式移動。訓練環境也會逐漸擴大（訓練環境與遇到的環境不是一個），當達到訓練批次時就會固定。」
總流程如下
自此，貪吃蛇人工智能的介紹結束。
「參考文獻：」
貪吃蛇代碼
源代碼作者：齊浩洋（中國香港城市大學資料科學學院）
文案 && 編輯：白宇嘯（華中科技大學管理學院）
審稿&&修正：齊浩洋（中國香港城市大學資料科學學院）
指導老師：秦虎（華中科技大學管理學院）
如對文中内容有疑問，歡迎交流。