AlphaZero-Edu

基于AlphaZero算法的五子棋AI，使用自我对弈、深度学习和蒙特卡洛树搜索来训练和玩五子棋。

功能特性

• 完整的AlphaZero算法实现
• 自我对弈生成训练数据
• 残差神经网络模型
• 蒙特卡洛树搜索（MCTS）
• 交互式GUI界面
• 可配置的训练和游戏参数

项目结构

├── config.yaml           # 配置文件
├── train.py              # 训练脚本
├── play.py               # 游戏脚本
├── README.md             # 说明文档
├── data/                 # 训练数据目录
├── models/               # 模型目录
└── src/                  # 源码目录
    ├── core/             # 核心模块
    │   ├── game.py       # 游戏规则
    │   ├── mcts.py       # 蒙特卡洛树搜索
    │   ├── neural_network.py # 神经网络
    │   └── self_play.py  # 自我对弈
    ├── gui/              # GUI模块
    │   └── gui.py        # 图形界面
    └── utils/            # 工具模块
        └── config_utils.py # 配置工具

环境要求

• Python 3.8+
• PyTorch 1.7+
• NumPy
• PyGame
• PyYAML
• tqdm

安装

1. 克隆仓库:

git clone https://github.com/StarLight1212/AlphaZero_Edu
cd AlphaZero_Edu

2. 安装依赖:

pip install -r requirements.txt

使用方法

训练模型

python train.py --config config.yaml

训练过程会在models/目录下保存模型，在data/目录下保存训练数据。

与AI对战

python play.py --config config.yaml

其他选项:

• --model models/best.pt: 指定要加载的模型文件
• --human_first: 设置人类玩家先手（默认AI先手）
• --mcts_sims 800: 调整MCTS模拟次数（影响AI强度和思考时间）

配置

可以在config.yaml文件中修改配置参数，包括：

• 棋盘大小
• 训练参数
• 神经网络参数
• MCTS参数
• GUI参数

如何玩游戏

1. 运行python play.py启动游戏
2. 在棋盘上点击放置棋子
3. 用"新游戏"按钮开始新游戏
4. 用"认输"按钮结束当前游戏

许可证

MIT

致谢

本项目基于DeepMind的AlphaZero论文和算法实现。感谢开源社区的贡献。