natural_Caduceus

输出回放数据，在显示中发现一动不动，发现stage字段一直是1部署阶段……这个我每次关机后都得重新来一遍，很讨厌，也没找到解决办法。确定发出了部署命令还没效果，看看你的下有没有这个隐藏文件，你现在是什么用户就在什么下。

这种就是把【方格子坐标】做到的具体来说有如下几种情况具体到庙算平台上，是很巧妙的用一个4位整数，前两位为x、后两位为y来进行表示附上计算距离的代码。

前面我们，接下来我们需要训练神经网络了，就是把数据对接好灌进去，训练后查看预测的和实际的结果是否一致——也就是。数据解析提取数据编码为数据集设计神经网络-->>神经网络训练与评估神经网络一个重要指标是，就是用可以逼近任意函数的神经网络是否可以。再重复一遍【特征工程】与【神经网络】的区别：前者就像人发现了牛顿第二定律，显式的找到并处理数据，然后；后者是把包含多余的各种参数都放到神经网络中，然后人为的中，经过训练得到隐含关系，

一直没实现，以下写自 2024-07-30 23:27:16。

本质：不断求导找拟合，使得loss收敛，使得acc预测准确率变高用法：编码映射到标签结构：层级输入输出、loss函数设计、优化器。

兵棋推演的五个要素：态势、动作、地图、想定、武器

项目地址有个说明文档,结果也没说清楚使用方法(至少我没看见)先引入项目地址上说的能处理的东西:Replays 回放重播详情（地图、长度、版本、扩展、日期时间、游戏类型/速度等）玩家详细信息（姓名、种族、团队、颜色、bnet url、赢/输......消息详细信息（文本、时间、玩家、目标、ping 等）Unit Selection 和 Hotkey （Control Group） 事件。资源转移和请求（但不包括收集速率或未花费的总数！

这个很难去在复杂的RTS游戏中界定，不像赛车游戏那样有限的操作空间——后来我想到了“策略的提取”，这样能体现一个人的相关思想（比如让某个人年轻时的思维来处理现在的问题，与当下的新思维碰同一个问题，一定很有趣。在深入研究和思考后发现，现有的比较接近的解决方案是【强化学习中的“模仿学习”】，但是这需要大量的对战数据。

跑出来sc2py的一路踩坑记录

前面讲了如何开展编写规则脚本型Agent（智能体）的方法，现在探究一下如何调用知识型（一般而言的训练出的模型）智能体的方法。train_red_demo.py 文件，提供与示例ai智能体相匹配的训练示例代码。test_red_demo.py 文件，提供与示例ai智能体相匹配的测试示例代码。转回来，看agent.py文件，这个文件是调用智能体的文件，讲规则智能体的时候我也讲到过。2. 本代码包括1个文件夹，2个文件，需要与 train_env 的目录同级。然后我就奇怪，到底是哪里调用所谓的”训练模型“呢？

这里map.gen_move_route函数和self.get_move_type函数又引用自其他地方编写的。仔细看一下，原来是类似于函数指针的写法，将一堆变量指向了一堆函数，然后在代码里定义了诸多的函数。上一篇已经写了，调用起来就是遍历单位、找到合理的动作，再去使用编写的获取具体哪个动作的函数。gen_move函数，就是得到一个路径列表的返回值。这回从解读step函数中的这两句代码开始，返回的。就是上面这段，重点是本篇博文开始时提到的那两行。基本流程至此都看明白了，那么如何编写一个策略呢。

它接受一个字典类型的参数,表示当前的游戏状态、环境信息或玩家信息等。以下是态势()最外层的数据结构以及他们代表的含义。obs = {"actions": list, # 上一步接收到的动作"cities": [], # 各个夺控点的信息"communication": [], # 通信相关信息"jm_points": [], # 间瞄点信息"judge_info": [], # 裁决信息"landmarks": {}, # 地标信息，雷场，路障"operators": [], # 算子信息。

庙算兵棋推演平台中的环境对编写AI的调用方式

9月23开始，9月26完成。因为那时刚从大连回来，十一之后又一个紧急项目当项目负责人，所以隔了这么久才发出来。我尝试进行制作平台AI，想在我的小平板上配好，最好还可以移植。于是我采用WSL（windows自带的）+vscode来进行执行。