最近使用 JS 写了一个贪吃蛇游戏，效果如下：
贪吃蛇作为一款经典又简单的小游戏，每个人都玩过。实现一个贪吃蛇游戏基本具有以下功能：
棋盘（也被称作 “地图”，我这里画的像一个围棋棋盘，索性就叫棋盘）
蛇 （细致一点分为：蛇头、蛇身、蛇尾）
方向（上下左右）控制，并且自动行走
碰撞检测（撞墙、撞自己）
食物在随机位置生成
蛇吃到食物，尾部生长一截
以上也便是我的实现步骤了，下面分享一些更详细的实现思路。
2019/02/07
我记得我年前的时候，我看过很多文章，包括一些论文，主题都是利用AI来玩贪吃蛇这种。他们利用的方法很多，例如利用搜索算法[1]，还有利用监督学习来进行训练达到目的的，训练数据的来源是有自己玩游戏产生的（好像有算法是可以让他自己产生的，想不起来是在哪里看到的了。），当然这种正如他自己所说，后续的结果就是机器最多玩的和你一样好，最后一种见的比较多的就是利用强化学习，加上Q-Learning算法的方式。 针对搜索算法部分，可以看前面的一篇随笔《贪吃蛇游戏》。
那段时间看了不少这类的文章，我现在集中阅读一下，并简单理解一下这部分内容的关键部分。无论什么游戏，都有一个 相应的状态空间 的定义，这部分数据，本质上就是这个游戏能展现给我的所有的内容。那么怎么来利用这部分数据，就是你的能力了。
文章[2]中，他是用的方法同时结合了深度学习和强化学习。 （我也想深究一下，如果是仅仅使用强化学习，这个过程又是什么样的，得看我收集的文章中，是不是有这类部分的内容了；我记得好像强化学习就是利用Q-Learning这种算法来实现的） 但是这篇文章感觉说的不够清楚，最重要的那个点就是，强化学习到底是如何跟深度学习联合起来的。可能单单强化学习已经可以完成这个任务了。
我大概理解了这个过程，他是利用强化学习来作为自动化生成数据的过程了，一开始的时候，利用强化学习尽可能得到多的数据，然后采样或者怎么样使得最后的数据作为训练得到效果。 这篇文章讲述的并不是清楚，不推荐。 下面这个图从这篇文章中看到的，挺不错。
文章[3]基于强化学习Q-Learning完成了贪吃蛇的步骤，不过貌似他的这个效果并不是非常好。整个部分的源码他都是利用js来完成的， 讲解部分比较基础， 回答了前一小节的疑问。
本篇文章中，他介绍的另外一个内容挺不错，就是利用神经网络来玩谷歌浏览器的游戏。
文章[5]利用深度学习和遗传算法来训练玩游戏；这部分的文章一系列的内容，从使用pygame设计游戏，到后面自动化产生数据，最后使用GA+ANN直接不需要数据。他的思路 跟前面强化学习是不一样的。
前面部分讲到了自动化产生训练数据的部分，这个部分我感觉讲解的并不是非常好，他的自动化并不是说让游戏自己去探测这个各种内容。反而是根据某种公式来计算角度，最终实现这个过程。后续GA算法的时候又说道可以不是用训练数据。
他利用GA算法应该是使用了两个部分，第一个就是直接使用GA进行训练，他的适应函数(fittness function)部分，类似强化学习的部分，产生奖励和惩罚机制。第二个就是使用GA算法来选择神经网络的架构。 （这部分我也不是很确认，有点没看懂他要干什么） 对于神经网络中的权值部分他是如何进行实现的，这是我的一个疑问。 GA算法到底针对的是哪一部分的内容。这种文章还是有一定缺陷的。GA算法是两部分内容，首先就是权值更新内容。
虽然这篇文章感觉很基础，但我觉的写的不好。
利用学习的办法实现玩游戏的目标，比较重要的问题，有以下几个。
[1] Hawstein，如何用Python写一个贪吃蛇AI
[2] 如何让AI玩贪吃蛇：深度强化学习
[3] 利用强化学习玩贪吃蛇
[4] 谷歌小恐龙
[5] 深度学习与贪吃蛇
吃掉一个后 clearIntervar(变量) 然后再重新定义一个 setInterval(function(){}, 250)var speed = 500
var go = function(){
//蛇运动的方法
if(吃到一个){
clearIntervar(_intervar )
_intervar = setsetInterval(go,speed*0.9)
}
}
var _intervar = setsetInterval(go,speed)
![[HTML表格]3.表格嵌套](/aiimages/%5BHTML%E8%A1%A8%E6%A0%BC%5D3.%E8%A1%A8%E6%A0%BC%E5%B5%8C%E5%A5%97.png)
