Update MonteCarloNo.py

classes_busca/MonteCarloNo.py

@@ -1,3 +1,27 @@
+# MIT License
+#
+# Copyright (c) 2018 Luiz Felipe de Melo (lffloyd), Vítor Costa (vitorhardoim), Renato Bastos (RenatoBastos33)
+#
+# Permission is hereby granted, free of charge, to any person obtaining a copy
+# of this software and associated documentation files (the "Software"), to deal
+# in the Software without restriction, including without limitation the rights
+# to use, copy, modify, merge, publish, distribute, sublicense, and/or sell
+# copies of the Software, and to permit persons to whom the Software is
+# furnished to do so, subject to the following conditions:
+#
+# The above copyright notice and this permission notice shall be included in all
+# copies or substantial portions of the Software.
+#
+# THE SOFTWARE IS PROVIDED "AS IS", WITHOUT WARRANTY OF ANY KIND, EXPRESS OR
+# IMPLIED, INCLUDING BUT NOT LIMITED TO THE WARRANTIES OF MERCHANTABILITY,
+# FITNESS FOR A PARTICULAR PURPOSE AND NONINFRINGEMENT. IN NO EVENT SHALL THE
+# AUTHORS OR COPYRIGHT HOLDERS BE LIABLE FOR ANY CLAIM, DAMAGES OR OTHER
+# LIABILITY, WHETHER IN AN ACTION OF CONTRACT, TORT OR OTHERWISE, ARISING FROM,
+# OUT OF OR IN CONNECTION WITH THE SOFTWARE OR THE USE OR OTHER DEALINGS IN THE
+# SOFTWARE.
+##############################################################################################################
+
+
 #Define a classe MonteCarloNo, responsável por descrever o um nó no algoritmo de busca 'Monte-Carlo tree search'.
 
 #Escrito por: Vítor Costa, Renato Bastos.
@@ -6,7 +30,6 @@
 # import numpy as np #Substituí as funções do numpy pelas funções normais do Python, pois não consigo instalar o numpy aqui.
 import math
 
-
 class MonteCarloNo:
     def __init__(self, estado, pai = None):
         self.estado = estado
@@ -25,7 +48,7 @@ def __str__(self):
         return "\nQtd de Filhos:" + str(len(self.filhos))
 
     def expandir(self):
-        print("AQUIII" + str(len(self.estado.jogador.pegaPecasJogaveis())))
+        #print("AQUIII" + str(len(self.estado.jogador.pegaPecasJogaveis())))
         for peca in self.estado.jogador.pegaPecasJogaveis():
             for i in range(0,2):
                 novoEstado = copy.deepcopy(self.estado)
@@ -35,25 +58,35 @@ def expandir(self):
                 novoEstado.oponente.setaVez(True)
                 if (adicionou):
                     novoNo.simular()
+                    novoNo.estado.onde = i
+                    novoNo.estado.ultimaPecaJogada = peca
                     self.filhos.append(novoNo)
 
+
     #funcao para escolher o melhor filho usando o valor do UCT
     def melhorFilho(self):
+        melhor=None
         for i in self.filhos:
-            i.UCT = i.vitorias / i.visitas + 1.4 * math.sqrt(math.log(self.visitas) / i.visitas)
-            print(i.UCT)
-        return max(p.UCT for p in self.filhos)
+            i.UCT = (i.vitorias / i.visitas) + (1.4 * (math.sqrt(math.log(self.visitas) / i.visitas)))
+            if melhor!=None:
+                if i.UCT>melhor.UCT:
+                    melhor=i
+            else:
+                melhor=i
+        #print("Melhor filho:" + str(melhor))
+        return melhor
+
 
 
     def foiTotalmenteExpandido(self):
-        if (self.estado.jogador.ehSuaVez() == True): return len(self.filhos) == len(self.estado.jogador.pegaPecasJogaveis())
+        if(self.estado.jogador.ehSuaVez() == True): return len(self.filhos) == len(self.estado.jogador.pegaPecasJogaveis())
         else: return len(self.filhos) == len(self.estado.oponente.pegaPecasJogaveis())
 
     #funcao de backpropagation para aumentar o numero de simulacoes e vitorias das simulacoes
     def backPropagation(self, no, vitoria, visita):
         if(no != None):
-            no.vitoria =+ vitoria
-            no.visita =+ visita
+            no.vitorias += vitoria
+            no.visitas += visita
             self.backPropagation(no.pai, vitoria, visita)
         else: return
 
@@ -70,6 +103,7 @@ def gerarJogo(self,no,difSimulacao): #difSimulacao variavel para saber se uma si
                     return
             self.backPropagation(no,0,1)
             return
+
         novoEstado=copy.deepcopy(no.estado)
         #Escolhe o jogador da vez e simula uma jogada
         if novoEstado.jogador.ehSuaVez():