试玩游戏
Demo：http://game.giongto35.com
在 Agent 上的 AI 实验
由于服务器，客户端和消息是分离的，因此很容易与后端进行通信。此项目是用 Python 编写的 AI agent，可以学习与环境的交互。这个实验是利用 neuroevolution (神经进化）在迷宫中寻找一条路径。
油管 Demo：https://www.youtube.com/watch?v=pWbb1m91mhU
本地 Docker 运行
run_local.sh
#!/bin/bash docker build . --build-arg HOSTNAME=localhost:8080 -t gowog_local|| exit docker stop gowog docker rm gowog docker run --privileged -d --name gowog -p 8080:8080 gowog_local server -prod client/build/
执行，我本地是 Mac：
./run_local.sh
打开 http://localhost:8080
本地开发
游戏包含两部分：服务器和客户端。服务器使用 Golang，客户端使用 Node.JS 和 Phaser 游戏引擎。
服务器
调整过的：https://github.com/Kirk-Wang/gowog
我的本地环境是 go 1.14。
本地启动：
go run cmd/server/*
服务器将监听 8080。
客户端
npm install npm run dev -- --env.HOST_IP=localhost:8080 # HOST_IP -> 服务器地址
进入 http://localhost:3000
注意
在开发过程中，客户端在端口 3000 上运行，服务器端在端口 8080 上运行。
在 production 和 docker环境中，已构建 Client，golang 服务器将在同一端口 8080 上返回客户端页面。因此，如果我们运行 docker 环境，则游戏将在浏览器中的 http://localhost:8080 运行。
通讯约定
服务器和客户端之间的通信包基于 protobuf。安装 protoc 以生成 protobuf。
每次你在 server/message.proto 中有更改（package singature）时。请运行：
cd server ./generate.sh
游戏前端设计方案
这个前端项目是基于：
├── client │ ├── index.html │ ├── src │ │ ├── config.js: javascript config │ │ ├── index.html │ │ ├── main.js │ │ ├── sprites │ │ │ ├── Leaderboard.js: Leaderboard object │ │ │ ├── Map.js: Map object │ │ │ ├── Player.js: Player object │ │ │ └── Shoot.js: Shoot object │ │ ├── states │ │ │ ├── Boot.js Boot screen │ │ │ ├── const.js │ │ │ ├── Game.js: Game master │ │ │ ├── message_pb.js: Protobuf Message │ │ │ ├── Splash.js │ │ │ └── utils.js │ │ └── utils.js
每个对象都是从 Sprite 继承的类。玩家包含 shootManager，每次射击时，shoot manager 都会生成新的 bullet。
游戏后端设计方案
Components（组件）
游戏中主要有 5 个实体。他们的状态是私有的
| 实体 | 私有状态 | |
Client |
websocket.Conn | client hold 住 websocket 连接 |
Hub |
Client | Hub 处理所有通讯, 包含所有 client 列表 |
ObjManager |
Player, Shoot, ... | ObjManager 包含所有 Player 和 Shoot，处理游戏逻辑 |
Game Master |
ObjManager, Hub | Master object 由 ObjManager 和 Hub 组成 |
Architecture（架构图）
不同的实体通过包装在函数中的 channel 彼此调用。
Client 与 Server 交互设计方案
Player connect（玩家连接）
Player Disconnect（玩家断开连接）
Client input（客户端输入）
Profile
Profile 是研究 Golang 性能并找出 slow components 的方法。运行服务器时，可以使用标志 --cpuprofile 和--memprofile 来配置 server。
cd server go run cmd/server/* --cpuprofile --memprofile
代码结构
├── server │ ├── cmd │ │ └── server │ │ └── server.go: Entrypoint running server │ ├── game │ │ ├── common │ │ ├── config │ │ │ └── 1.map: Map represented 0 and 1 │ │ ├── gameconst │ │ ├── game.go: Game master objects, containing logic and communication │ │ ├── mappkg │ │ ├── objmanager │ │ ├── playerpkg │ │ ├── shape │ │ ├── shootpkg │ │ ├── types.go │ │ └── ws │ │ ├── wsclient.go │ │ └── wshub.go │ ├── generate.sh: Generate protobuf for server + client + AI environment │ ├── message.proto │ └── Message_proto │ └── message.pb.go ├── Dockerfile └── run_local.sh
AI 训练设计方案
此仓库包含遵循 openAI Gym 格式和训练脚本的 CS2D 环境。训练脚本使用 NeuroEvolution(神经进化)在迷宫中找到到达目的地的最短路径。
https://www.youtube.com/watch?v=pWbb1m91mhU
运行
按照的说明运行 gowog 环境。即本地 Docker 运行：
./run_local.sh
使用 virtualenv 设置 python3 虚拟环境（直接用 Docker 吧~）。
- 安装
requirements.txt所包含的库。
运行训练脚本
python train_ga.py -n save_file_name
save_fie_name 是保存权重（weights）的地方。在下一次，如果我们指定了一个现有的文件，它将继续从该文件的最后一次运行中的权重（weights）进行训练。
Genetic Algorithm（遗传算法）
_cs2denv_ga.py 的实现_
基于机器学习的目的，CS2D Agent 是在 CS2D 上构建的。它遵循 openAI gym，支持 agent 的基本方法，包括：reset()、step()、observation_space 和action_space。
ObservationSpace 是一个一维数组，它由来自服务器的 update_player 消息构造而成
- Player position（
玩家位置）, player size（玩家大小尺寸）, number of columns（列数）, number of rows（行数）, block width（块宽度）, block height（块高度） - 到左，右，上，下到最近 block（
块）的距离。此输入是为了避免碰撞 - 玩家在二进制块地图（binary block map）中的位置。地图是
0和1的2维数组（0为空，1为块） - binary block map
奖励是 1 / distance(到目标的距离)。如果 agent 接近目标 100 点，那么奖励就是 1，情节结束。
NeuroEvolution（神经进化）
_train_ga.py 的实现_
神经网络（Neural Network）通过使输入（观察空间）通过神经网络来获得最佳动作。
NeuroEvolution（神经进化）是使用进化算法不断改进人工神经网络的AI。对于每次迭代（生成），程序将基于前一次迭代中的最佳设置生成一组新的神经网络权重。由先前的 NN(神经网络) 生成一个 NN 的过程叫做 Mutate，它给神经网络中的每个参数添加随机噪声。
一个特别的改进是，我们只存储应用于神经网络的噪声种子列表，而不是存储所有的代权值。因为在同一个种子下，所有的随机化都是相同的，所以一个种子可以代表一个网络的突变算子。我们不需要保留每一代的所有权值，我们只需要存储一组从开始到当前一代的种子，然后从这组种子中重新构造权值来得到所有神经网络的权值。
代码是基于 Maxim Lapan 的 "Deep Reinforcement Learning Hands-On"
