背景
应用Qt5.12.9的QGraphicsItem来实现俄罗斯方块，应用简略的评估函数，实现AI机器人玩俄罗斯方块游戏。这是AI机器人的第一步，这个算法很简略，但很无效，大多数状况能消5百层以上，最近的为数不多的测试中，最高纪录曾经消了超过2500层。在这个根底上，能够不便的积攒原始数据，我心愿能抽取模式，进行模式识别及至机器学习。
思路
在手动游戏根底上进行革新，借鉴回放的教训，只须要退出一个评估算法，为每一个新方块找出一个搁置的姿势（旋转次数）和最终地位坐标就能够了。我的算法设计也很简略，就是为每一个方块穷举其搁置办法，应用一个严密水平的评估算法进行评分，取出最高分的操作，若有雷同得分的操作，用随机数二一添做五。
效果图
要害代码剖析
流程管制
界面操作控制变量，做到随时能够在手动与主动两种模式之间进行切换。
if (isAutoRunning) { //主动模式 autoProcessCurBlock(); //解决以后方块，应用评估函数确定方块的最终姿势与地位 block->relocate(curPos); //搁置 block->setBlockNotActive(); //固定方块 generateNextBlock(); //取下一个方块，游戏持续 }else //手动模式 this->moveBlockDown(); ...方块搁置评分函数
我的设计思维很直观，俄罗斯方块就是要尽量严密的沉积在一起，所以对每一个组成方块的block都检测一个它四周的四个地位，看是否有block（包含边界）存在，若有就加1分，没有不加分。这块的加分，并没有区别组成方块本身的block和外界的block，因为每个方块都是与本人进行比拟，所以辨别与不辨别成果是一样的。起始分由深度确定，越深我认为成果越好。另个，block的垂直下方最好不要有空洞，若有会减分。
int Game::evaluate(Tetris* t){ QPoint pos = t->getPos(); int ct = pos.y(); //深度为根底分 int cct = t->cleanCount(); if (cct > 1) //能消层，加分 ct += 10 * (cct - 1); for (int i = 0; i < 4; i++) { for (int j = 0; j < 4; j++) { if (t->data[i][j]) { ct += t->hasTetrisBlock(pos.x() + j + 1, pos.y() + i) ? 1 : 0; //检测block左边的地位 ct += t->hasTetrisBlock(pos.x() + j - 1, pos.y() + i) ? 1 : 0; //检测block右边的地位 ct += t->hasTetrisBlock(pos.x() + j, pos.y() + i + 1) ? 1 : 0; //检测block下方的地位 ct += t->hasTetrisBlock(pos.x() + j, pos.y() + i - 1) ? 1 : 0; //检测block上方的地位 if (i == 3 || t->data[i + 1][j] == 0) { if (!t->hasTetrisBlock(pos.x() + j, pos.y() + i + 1)) { //block下方的紧临空洞 ct -= 4; } else { int k = 2; while (pos.y() + i + k <= 19) { if (!t->hasTetrisBlock(pos.x(), pos.y() + i + k)) { //block下方的非紧临空洞 ct -= 1; break; } k++; } } } } } } return ct;}穷举方块的所有搁置形式
一个方块最多只有四种姿势，把方块的每一种姿势都从左到右moveDownEnd一次，进行评分，获得分最高的计划。
void Game::autoProcessCurBlock(){ int max = 0; QPoint initPos = block->getPos(); Tetris* tmp = new Tetris(initPos, block->getShape(), -1); //结构以后方块的替身，blockType为-1，这种方块不会显示 int rotateCt = block->getRotateNum(); //同步替身初始姿势 for (int k = 0; k < rotateCt; k++) tmp->rotate(); rotateCt = 0; //用于保留方块的最终姿势 for (int r = 0; r < 4; r++) { //四种姿势遍历，其实能够优化，有的方块不须要四次 if (r > 0) { tmp->relocate(initPos); //留神，旋转要在方块进入游戏界面的中央旋转，不然可能旋转不胜利 tmp->rotate(); } while (tmp->moveLeft()); //从最右边开始 do { tmp->moveDownEnd(); tmp->setBlockNotActive(); //固定方块，以便进行评分 int score = evaluate(tmp); //评分 if (score > max) { //找到以后最优计划 max = score; curPos = tmp->getPos(); rotateCt = r; } else if (score == max) { //呈现相等评分，随机取 if (qrand() % 2 == 1) { curPos = tmp->getPos(); rotateCt = r; } } //initPos.setX(tmp->getPos().x()); tmp->relocate(QPoint(tmp->getPos().x(), initPos.y())); //返回到游戏空间上方 tmp->setBlockTest(); //方块复原到测试状态 } while (tmp->moveRight()); //方块右移，直到不能挪动 } delete tmp; //销毁测试方块，忽然想到这块能够优化，只须要建七个方块就好，这样就不必一直的创立和销毁了 for (int k = 0; k < rotateCt; k++) block->rotate();}下一步的构想
应用python从新实现所有性能，也不再用Qt，就用python自带的tkinter就好。把重点放在模式提取，让AI主动玩游戏，写个算法，提取优良的操作模式。而后应用模式匹配或机器学习算法来优化AI。当初还没有具体的想法，只有这么个大略的构想。
源代码及运行办法
我的项目采纳cmake组织，请装置cmake3.10以上版本。上面脚本是windows下基于MSVC的，其它操作系统上根本相似，或者应用qtcreator关上进行操作。
cmake -A win32 -Bbuild .cd buildcmake --build . --config Release注：本我的项目采纳计划能跨平台运行，曾经适配过windows，linux，mac。
源代码：
https://gitee.com/zhoutk/qtetris.git或
https://gitee.com/zhoutk/qtdemo/tree/master/tetrisGraphicsItem或
https://github.com/zhoutk/qtDemo/tree/master/tetrisGraphicsItem