吃豆子RL 应用于 Pacman 游戏的强化学习算法。 Pacman 游戏是为 Udacity 类 ud820的结果。 可以在qlearningAgents.py文件中找到学习器。 跑步 python pacman.py -p PacmanQAgent -x 800 -n 810 -l smallGrid -l参数可以更改为使用其他地图（在布局文件夹中可用）。 -p参数可以更改为使用其他类型的 q-learner。 -x设置训练示例的数量。 -n设置示例总数（训练 + 测试） 学习者 PacmanQAgent：基本的 Q 学习代理。 它使用完整状态（整个地图），因此在使用大地图时不会缩放。 运行： python pacman.py -g DirectionalGhost -p PacmanQAgent -x 800 -n 810 -l smallGrid Approxi

pacman：Python中的吃豆人游戏

吃豆人 简单的2D吃豆人 使用点和全部在InitPathmap中初始化所有地图 指向共享指针的指针 常量类 使用C ++ 17进行内联编译 为精灵创建了组件系统，无需在实体的子代中定义它们 添加了EntityCollection用于实体的添加，更新和删除 C代表组件，S代表系统 MovableGameEntity功能已移至单独的组件，以实现更好的可维护性 描述所有组成部分 决定不出于时间原因进行测试 txt映射周围的xs A *搜索幽灵寻路 简化的碰撞组件和碰撞系统重叠绑定功能 世界拥有瓷砖碰撞逻辑并加载瓷砖 工厂类来创建游戏实体 菜单 音乐和声音，SoundManager 碰撞系统和组件 必要的 高分系统 &&在AddComp中 很高兴有 以某种方式合并樱桃 不同的鬼AI 中间传送隧道 清理工作 字符串而不是char * 文件名常量

很经典的PACMAN吃豆人游戏，不过只有一关，完全VB6源代码。

吃豆子夺旗比赛的 MCTS 这个项目实现了一个代理来参加吃豆子夺旗比赛。 有关比赛的更多信息，请访问： : 。 也可以在此链接上找到比赛规则。 在这个项目中实施的团队被命名为 MonteCarloTeam。 它使用蒙特卡罗树搜索 (MCTS) 来实现进攻和防守代理。 它的源代码和文档可以在找到。

吃豆人 一组不同的AI算法来玩pacman。 将继续添加不同的游戏玩法。 A *搜索 马尔可夫决策过程 分类器 Q学习 跑步 每种方法的API略有不同-下面是用于运行每种方法的命令集 $ python pacman.py -n 5 -p PartialAgent -l mediumClassic $ python pacman.py -q -n -n 10 -p MDPAgent -l mediumClassic 去做 不同的搜索算法 不同的分类器（RF，SVM，梯度提升等） 模型和模型免费强化学习 深度强化学习 执照 根据MIT许可证分发 接触

吃豆子-AI 吃豆子-AI

吃豆子 编程技巧 Project 3 Pacman Multiplayer 通过套接字连接

一个PacMan（或Pac Man）克隆，其中PacMan的AI使用基于NEAT的神经网络进化而来。

伯克利-吃豆人 伯克利的AI PacMan项目