CS188 Project 2: Multi-Agent Search
加州大学伯克利分校EECS 188 AI课程2024年秋季项目2的代写。该项目主题是多智能体搜索（Multi – Agent Search），要求学生为经典的吃豆人游戏（Pacman）设计智能体，包括实现 minimax 和 expectimax搜索算法，并设计评估函数。项目截止日期为10月2日晚上11:59（太平洋时间）。
1. **项目文件结构**
– **编辑文件**：`multiAgents.py`，用于实现多智能体搜索智能体。
– **参考文件**：`pacman.py`（运行游戏的主文件，定义了游戏状态类型）、`game.py`（游戏世界的逻辑）、`util.py`（用于搜索算法的数据结构）等。
– **可忽略文件**：如`graphicsDisplay.py`（图形显示相关）、`ghostAgents.py`（控制幽灵的智能体）等。
2. **项目任务**
– **Q1（4分）：反射智能体（Reflex Agent）**：改进`multiAgents.py`中的`ReflexAgent`，使其在`testClassic`布局中表现良好，并在`openClassic`布局上进行测试评分。
– **Q2（5分）：极小极大算法（Minimax）**：在`multiAgents.py`的`MinimaxAgent`类中实现对抗搜索智能体，扩展游戏树到任意深度，使用给定的评估函数对叶子节点评分。
– **Q3（5分）：α – β剪枝（Alpha – Beta Pruning）**：在`AlphaBetaAgent`中实现α – β剪枝算法，提高搜索效率，确保剪枝后的结果与`MinimaxAgent`相同（极小极大值相同，选择的动作可能因打破平局的行为不同而不同）。
– **Q4（5分）：期望极大算法（Expectimax）**：在`ExpectimaxAgent`中实现期望极大算法，用于建模可能做出次优选择的智能体的概率行为。
– **Q5（6分）：评估函数（Evaluation Function）**：在`betterEvaluationFunction`中编写一个更好的评估函数，用于评估状态，在`smallClassic`布局上进行测试评分。
3. **项目工具**
– **自动评分器（Autograder）**：可用于在本地对答案进行评分，通过`python autograder.py`命令运行所有问题的测试，也可针对特定问题或测试用例运行。
4. **注意事项**
– 不要从项目1复制文件，否则无法通过Gradescope的自动评分器。
– 不要更改提供的函数或类的名称，否则会影响自动评分器的运行。
– 鼓励学生在遇到问题时向课程工作人员寻求帮助。