Крестики-нолики с ИИ через генетический алгоритм

О проекте

Это мой учебный проект, в котором я изучаю создание нейросетей с нуля и применение генетического алгоритма для их обучения на примере игры в крестики-нолики. Цель — самостоятельно разобраться, как строить и обучать нейросети, а также освоить генетический алгоритм. Проект создан для личного обучения и экспериментов с ИИ.

Результаты обучения

Статистика обучения нейросети: процент побед, скорость роста, разнообразие популяции и другие метрики за 1000+ эпох

Как работает

• Создается популяция ИИ-игроков с рандомными весами нейросети.
• ИИ соревнуются в турнирах, играя против случайных соперников из популяции.
• На основе результатов турнира лучшие игроки отбираются для следующего поколения. Учитываются:
  • Победы, ничьи, поражения - основные результаты игр.
  • Взятие центра - бонус за стратегически важную позицию.
  • Блокировка противника - бонус за предотвращение победы соперника.
• Генетический алгоритм:
  • Сохраняет лучших игроков (элита).
  • Создает новых игроков через скрещивание (кроссовер) и мутации.
  • Добавляет случайных игроков для разнообразия.
• После обучения лучшие ИИ сохраняются в best.json для дальнейшего дообучения.
• В конце выводятся детальные графики статистики и анимация весов нейросети

Установка

Требования

• Python 3.7+

Установка зависимостей

git clone https://github.com/OlyoshaOlyosha/TicTacToeAI
cd TicTacToeAI
pip install -r requirements.txt

Использование

1. Настройте параметры в config.py (размер популяции, количество эпох, вероятность мутаций и т.д.).
2. Запустите обучение - процесс можно прервать Ctrl+C с сохранением результатов
3. Анализируйте 6 графиков статистики: результаты, тренды, разнообразие, стратегические метрики
4. Просмотрите анимацию изменения весов нейросети по эпохам
5. Сыграйте против лучшего ИИ

Оценка успеха

• Успех ИИ можно оценить по графикам: статистика побед, поражений и других метрик лучшего игрока.
• Лучший ИИ тестируется в 500 играх против случайного игрока, выводится процент побед/ничьих/поражений.
• Можно сыграть против ИИ, чтобы проверить его ходы на практике.

Проблемы

• ИИ пока очень слабо обучается: он выигрывает чаще случайного игрока, но не демонстрирует сложных стратегий.
• Обучение медленное, требуется оптимизация алгоритма и нейросети.