użycie drzewa decyzyjnego w kodzie
This commit is contained in:
Weranda
parent
749f87a428
commit
936e0d7f4d
Binary file not shown.
Binary file not shown.
BIN
__pycache__/drzewo_decyzyjne.cpython-310.pyc
Normal file
BIN
__pycache__/drzewo_decyzyjne.cpython-310.pyc
Normal file
Binary file not shown.
Binary file not shown.
Binary file not shown.
2
agent.py
2
agent.py
@ -47,7 +47,7 @@ class Agent(pygame.sprite.Sprite):
|
||||
self._layer = AGENT_LAYER
|
||||
self.damage = 50*self.level
|
||||
|
||||
self.artifact = True
|
||||
self.artifact = "tak"
|
||||
|
||||
def update(self):
|
||||
|
||||
|
||||
2
astar.py
2
astar.py
@ -34,7 +34,7 @@ class Astar():
|
||||
def a_star(self, goal):
|
||||
path = []
|
||||
start = (self.g.agent.rect.x//TILE_SIZE, self.g.agent.rect.y//TILE_SIZE)
|
||||
print(start,goal)
|
||||
#print(start,goal)
|
||||
open_set = []
|
||||
heapq.heappush(open_set, (0, start)) # Priority queue with the start position
|
||||
came_from = {}
|
||||
|
||||
@ -1,5 +1,5 @@
|
||||
zdrowie_bohatera,moc_bohatera,moc_moba,lvl_wiekszy_bohater,mob_jest_strzelcem,zdrowie_moba,artefakt,akcja
|
||||
100,tak,tak,tak,tak,100,tak,zmien_kierunek
|
||||
100,tak,tak,tak,tak,100,tak,walcz
|
||||
100,tak,tak,tak,tak,100,nie,zmien_kierunek
|
||||
100,tak,tak,tak,tak,50,tak,zmien_kierunek
|
||||
100,tak,tak,tak,tak,50,nie,zmien_kierunek
|
||||
150
drzewo_decyzyjne.py
Normal file
150
drzewo_decyzyjne.py
Normal file
@ -0,0 +1,150 @@
|
||||
import pandas as pd
|
||||
import numpy as np
|
||||
|
||||
class Tree():
|
||||
|
||||
|
||||
# Obliczanie entropii dla całego zbioru danych
|
||||
def oblicz_calkowita_entropie(self,dane_treningowe, etykieta, lista_klas):
|
||||
liczba_wierszy = dane_treningowe.shape[0]
|
||||
calkowita_entropia = 0
|
||||
|
||||
for klasa in lista_klas:
|
||||
liczba_wystapien_klasy = dane_treningowe[dane_treningowe[etykieta] == klasa].shape[0]
|
||||
entropia_klasy = - (liczba_wystapien_klasy / liczba_wierszy) * np.log2(liczba_wystapien_klasy / liczba_wierszy)
|
||||
calkowita_entropia += entropia_klasy
|
||||
|
||||
return calkowita_entropia
|
||||
|
||||
|
||||
# Obliczanie entropii dla przefiltrowanego zbioru danych
|
||||
def oblicz_entropie(self,dane_wartosci_cechy, etykieta, lista_klas):
|
||||
liczba_wystapien_cechy = dane_wartosci_cechy.shape[0]
|
||||
entropia = 0
|
||||
|
||||
for klasa in lista_klas:
|
||||
liczba_wystapien_klasy = dane_wartosci_cechy[dane_wartosci_cechy[etykieta] == klasa].shape[0]
|
||||
entropia_klasy = 0
|
||||
|
||||
if liczba_wystapien_klasy != 0:
|
||||
prawdopodobienstwo_klasy = liczba_wystapien_klasy / liczba_wystapien_cechy
|
||||
entropia_klasy = - prawdopodobienstwo_klasy * np.log2(prawdopodobienstwo_klasy)
|
||||
|
||||
entropia += entropia_klasy
|
||||
|
||||
return entropia
|
||||
|
||||
|
||||
# Obliczanie przyrostu informacji dla danej cechy
|
||||
def oblicz_przyrost_informacji(self,nazwa_cechy, dane_treningowe, etykieta, lista_klas):
|
||||
unikalne_wartosci_cechy = dane_treningowe[nazwa_cechy].unique()
|
||||
liczba_wierszy = dane_treningowe.shape[0]
|
||||
informacja_cechy = 0.0
|
||||
|
||||
for wartosc_cechy in unikalne_wartosci_cechy:
|
||||
dane_wartosci_cechy = dane_treningowe[dane_treningowe[nazwa_cechy] == wartosc_cechy]
|
||||
liczba_wystapien_wartosci_cechy = dane_wartosci_cechy.shape[0]
|
||||
entropia_wartosci_cechy = self.oblicz_entropie(dane_wartosci_cechy, etykieta, lista_klas)
|
||||
prawdopodobienstwo_wartosci_cechy = liczba_wystapien_wartosci_cechy / liczba_wierszy
|
||||
informacja_cechy += prawdopodobienstwo_wartosci_cechy * entropia_wartosci_cechy
|
||||
|
||||
return self.oblicz_calkowita_entropie(dane_treningowe, etykieta, lista_klas) - informacja_cechy
|
||||
|
||||
|
||||
# Znajdowanie najbardziej informatywnej cechy (cechy o najwyższym przyroście informacji)
|
||||
def znajdz_najbardziej_informatywna_ceche(self,dane_treningowe, etykieta, lista_klas):
|
||||
lista_cech = dane_treningowe.columns.drop(etykieta)
|
||||
# Etykieta nie jest cechą, więc ją usuwamy
|
||||
max_przyrost_informacji = -1
|
||||
najbardziej_informatywna_cecha = None
|
||||
|
||||
for cecha in lista_cech:
|
||||
przyrost_informacji_cechy = self.oblicz_przyrost_informacji(cecha, dane_treningowe, etykieta, lista_klas)
|
||||
|
||||
if max_przyrost_informacji < przyrost_informacji_cechy:
|
||||
max_przyrost_informacji = przyrost_informacji_cechy
|
||||
najbardziej_informatywna_cecha = cecha
|
||||
|
||||
return najbardziej_informatywna_cecha
|
||||
|
||||
|
||||
# Dodawanie węzła do drzewa
|
||||
def generuj_poddrzewo(self,nazwa_cechy, dane_treningowe, etykieta, lista_klas):
|
||||
slownik_licznosci_wartosci_cechy = dane_treningowe[nazwa_cechy].value_counts(sort=False)
|
||||
drzewo = {}
|
||||
|
||||
for wartosc_cechy, liczba in slownik_licznosci_wartosci_cechy.items():
|
||||
dane_wartosci_cechy = dane_treningowe[dane_treningowe[nazwa_cechy] == wartosc_cechy]
|
||||
|
||||
przypisany_do_wezla = False
|
||||
for klasa in lista_klas:
|
||||
liczba_klasy = dane_wartosci_cechy[dane_wartosci_cechy[etykieta] == klasa].shape[0]
|
||||
|
||||
if liczba_klasy == liczba:
|
||||
drzewo[wartosc_cechy] = klasa
|
||||
dane_treningowe = dane_treningowe[dane_treningowe[nazwa_cechy] != wartosc_cechy]
|
||||
przypisany_do_wezla = True
|
||||
if not przypisany_do_wezla:
|
||||
drzewo[wartosc_cechy] = "?"
|
||||
|
||||
return drzewo, dane_treningowe
|
||||
|
||||
|
||||
# Wykonywanie algorytmu ID3 i generowanie drzewa
|
||||
def generuj_drzewo(self,korzen, poprzednia_wartosc_cechy, dane_treningowe, etykieta, lista_klas):
|
||||
if dane_treningowe.shape[0] != 0:
|
||||
najbardziej_informatywna_cecha = self.znajdz_najbardziej_informatywna_ceche(dane_treningowe, etykieta, lista_klas)
|
||||
drzewo, dane_treningowe = self.generuj_poddrzewo(najbardziej_informatywna_cecha, dane_treningowe, etykieta, lista_klas)
|
||||
nastepny_korzen = None
|
||||
|
||||
if poprzednia_wartosc_cechy is not None:
|
||||
korzen[poprzednia_wartosc_cechy] = dict()
|
||||
korzen[poprzednia_wartosc_cechy][najbardziej_informatywna_cecha] = drzewo
|
||||
nastepny_korzen = korzen[poprzednia_wartosc_cechy][najbardziej_informatywna_cecha]
|
||||
else:
|
||||
korzen[najbardziej_informatywna_cecha] = drzewo
|
||||
nastepny_korzen = korzen[najbardziej_informatywna_cecha]
|
||||
|
||||
for wezel, galezie in list(nastepny_korzen.items()):
|
||||
if galezie == "?":
|
||||
dane_wartosci_cechy = dane_treningowe[dane_treningowe[najbardziej_informatywna_cecha] == wezel]
|
||||
self.generuj_drzewo(nastepny_korzen, wezel, dane_wartosci_cechy, etykieta, lista_klas)
|
||||
|
||||
|
||||
# Znajdowanie unikalnych klas etykiety i rozpoczęcie algorytmu
|
||||
def id3(self,nasze_dane, etykieta):
|
||||
dane_treningowe = nasze_dane.copy()
|
||||
drzewo = {}
|
||||
lista_klas = dane_treningowe[etykieta].unique()
|
||||
self.generuj_drzewo(drzewo, None, dane_treningowe, etykieta, lista_klas)
|
||||
return drzewo
|
||||
|
||||
|
||||
# Przewidywanie na podstawie drzewa
|
||||
def przewiduj(self,drzewo, instancja):
|
||||
if not isinstance(drzewo, dict):
|
||||
return drzewo
|
||||
else:
|
||||
korzen = next(iter(drzewo))
|
||||
wartosc_cechy = instancja[korzen]
|
||||
if wartosc_cechy in drzewo[korzen]:
|
||||
return self.przewiduj(drzewo[korzen][wartosc_cechy], instancja)
|
||||
else:
|
||||
return 'walcz'
|
||||
|
||||
def tree(self,przyklad):
|
||||
# Wczytywanie danych
|
||||
nasze_dane = pd.read_csv("data")
|
||||
|
||||
drzewo = self.id3(nasze_dane, 'akcja')
|
||||
|
||||
return self.przewiduj(drzewo, przyklad)
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
#print(przewiduj(drzewo, przyklad))
|
||||
#print(drzewo)
|
||||
@ -1,148 +0,0 @@
|
||||
import pandas as pd
|
||||
import numpy as np
|
||||
|
||||
# Wczytywanie danych
|
||||
nasze_dane = pd.read_csv("drzewo_decyzyjne\data")
|
||||
|
||||
|
||||
# Obliczanie entropii dla całego zbioru danych
|
||||
def oblicz_calkowita_entropie(dane_treningowe, etykieta, lista_klas):
|
||||
liczba_wierszy = dane_treningowe.shape[0]
|
||||
calkowita_entropia = 0
|
||||
|
||||
for klasa in lista_klas:
|
||||
liczba_wystapien_klasy = dane_treningowe[dane_treningowe[etykieta] == klasa].shape[0]
|
||||
entropia_klasy = - (liczba_wystapien_klasy / liczba_wierszy) * np.log2(liczba_wystapien_klasy / liczba_wierszy)
|
||||
calkowita_entropia += entropia_klasy
|
||||
|
||||
return calkowita_entropia
|
||||
|
||||
|
||||
# Obliczanie entropii dla przefiltrowanego zbioru danych
|
||||
def oblicz_entropie(dane_wartosci_cechy, etykieta, lista_klas):
|
||||
liczba_wystapien_cechy = dane_wartosci_cechy.shape[0]
|
||||
entropia = 0
|
||||
|
||||
for klasa in lista_klas:
|
||||
liczba_wystapien_klasy = dane_wartosci_cechy[dane_wartosci_cechy[etykieta] == klasa].shape[0]
|
||||
entropia_klasy = 0
|
||||
|
||||
if liczba_wystapien_klasy != 0:
|
||||
prawdopodobienstwo_klasy = liczba_wystapien_klasy / liczba_wystapien_cechy
|
||||
entropia_klasy = - prawdopodobienstwo_klasy * np.log2(prawdopodobienstwo_klasy)
|
||||
|
||||
entropia += entropia_klasy
|
||||
|
||||
return entropia
|
||||
|
||||
|
||||
# Obliczanie przyrostu informacji dla danej cechy
|
||||
def oblicz_przyrost_informacji(nazwa_cechy, dane_treningowe, etykieta, lista_klas):
|
||||
unikalne_wartosci_cechy = dane_treningowe[nazwa_cechy].unique()
|
||||
liczba_wierszy = dane_treningowe.shape[0]
|
||||
informacja_cechy = 0.0
|
||||
|
||||
for wartosc_cechy in unikalne_wartosci_cechy:
|
||||
dane_wartosci_cechy = dane_treningowe[dane_treningowe[nazwa_cechy] == wartosc_cechy]
|
||||
liczba_wystapien_wartosci_cechy = dane_wartosci_cechy.shape[0]
|
||||
entropia_wartosci_cechy = oblicz_entropie(dane_wartosci_cechy, etykieta, lista_klas)
|
||||
prawdopodobienstwo_wartosci_cechy = liczba_wystapien_wartosci_cechy / liczba_wierszy
|
||||
informacja_cechy += prawdopodobienstwo_wartosci_cechy * entropia_wartosci_cechy
|
||||
|
||||
return oblicz_calkowita_entropie(dane_treningowe, etykieta, lista_klas) - informacja_cechy
|
||||
|
||||
|
||||
# Znajdowanie najbardziej informatywnej cechy (cechy o najwyższym przyroście informacji)
|
||||
def znajdz_najbardziej_informatywna_ceche(dane_treningowe, etykieta, lista_klas):
|
||||
lista_cech = dane_treningowe.columns.drop(etykieta)
|
||||
# Etykieta nie jest cechą, więc ją usuwamy
|
||||
max_przyrost_informacji = -1
|
||||
najbardziej_informatywna_cecha = None
|
||||
|
||||
for cecha in lista_cech:
|
||||
przyrost_informacji_cechy = oblicz_przyrost_informacji(cecha, dane_treningowe, etykieta, lista_klas)
|
||||
|
||||
if max_przyrost_informacji < przyrost_informacji_cechy:
|
||||
max_przyrost_informacji = przyrost_informacji_cechy
|
||||
najbardziej_informatywna_cecha = cecha
|
||||
|
||||
return najbardziej_informatywna_cecha
|
||||
|
||||
|
||||
# Dodawanie węzła do drzewa
|
||||
def generuj_poddrzewo(nazwa_cechy, dane_treningowe, etykieta, lista_klas):
|
||||
slownik_licznosci_wartosci_cechy = dane_treningowe[nazwa_cechy].value_counts(sort=False)
|
||||
drzewo = {}
|
||||
|
||||
for wartosc_cechy, liczba in slownik_licznosci_wartosci_cechy.items():
|
||||
dane_wartosci_cechy = dane_treningowe[dane_treningowe[nazwa_cechy] == wartosc_cechy]
|
||||
|
||||
przypisany_do_wezla = False
|
||||
for klasa in lista_klas:
|
||||
liczba_klasy = dane_wartosci_cechy[dane_wartosci_cechy[etykieta] == klasa].shape[0]
|
||||
|
||||
if liczba_klasy == liczba:
|
||||
drzewo[wartosc_cechy] = klasa
|
||||
dane_treningowe = dane_treningowe[dane_treningowe[nazwa_cechy] != wartosc_cechy]
|
||||
przypisany_do_wezla = True
|
||||
if not przypisany_do_wezla:
|
||||
drzewo[wartosc_cechy] = "?"
|
||||
|
||||
return drzewo, dane_treningowe
|
||||
|
||||
|
||||
# Wykonywanie algorytmu ID3 i generowanie drzewa
|
||||
def generuj_drzewo(korzen, poprzednia_wartosc_cechy, dane_treningowe, etykieta, lista_klas):
|
||||
if dane_treningowe.shape[0] != 0:
|
||||
najbardziej_informatywna_cecha = znajdz_najbardziej_informatywna_ceche(dane_treningowe, etykieta, lista_klas)
|
||||
drzewo, dane_treningowe = generuj_poddrzewo(najbardziej_informatywna_cecha, dane_treningowe, etykieta, lista_klas)
|
||||
nastepny_korzen = None
|
||||
|
||||
if poprzednia_wartosc_cechy is not None:
|
||||
korzen[poprzednia_wartosc_cechy] = dict()
|
||||
korzen[poprzednia_wartosc_cechy][najbardziej_informatywna_cecha] = drzewo
|
||||
nastepny_korzen = korzen[poprzednia_wartosc_cechy][najbardziej_informatywna_cecha]
|
||||
else:
|
||||
korzen[najbardziej_informatywna_cecha] = drzewo
|
||||
nastepny_korzen = korzen[najbardziej_informatywna_cecha]
|
||||
|
||||
for wezel, galezie in list(nastepny_korzen.items()):
|
||||
if galezie == "?":
|
||||
dane_wartosci_cechy = dane_treningowe[dane_treningowe[najbardziej_informatywna_cecha] == wezel]
|
||||
generuj_drzewo(nastepny_korzen, wezel, dane_wartosci_cechy, etykieta, lista_klas)
|
||||
|
||||
|
||||
# Znajdowanie unikalnych klas etykiety i rozpoczęcie algorytmu
|
||||
def id3(nasze_dane, etykieta):
|
||||
dane_treningowe = nasze_dane.copy()
|
||||
drzewo = {}
|
||||
lista_klas = dane_treningowe[etykieta].unique()
|
||||
generuj_drzewo(drzewo, None, dane_treningowe, etykieta, lista_klas)
|
||||
return drzewo
|
||||
|
||||
|
||||
# Przewidywanie na podstawie drzewa
|
||||
def przewiduj(drzewo, instancja):
|
||||
if not isinstance(drzewo, dict):
|
||||
return drzewo
|
||||
else:
|
||||
korzen = next(iter(drzewo))
|
||||
wartosc_cechy = instancja[korzen]
|
||||
if wartosc_cechy in drzewo[korzen]:
|
||||
return przewiduj(drzewo[korzen][wartosc_cechy], instancja)
|
||||
else:
|
||||
return 'walcz'
|
||||
|
||||
|
||||
drzewo = id3(nasze_dane, 'akcja')
|
||||
|
||||
przyklad = {'zdrowie_bohatera': '100',
|
||||
'moc_bohatera': 'nie',
|
||||
'moc_moba': 'nie',
|
||||
'lvl_wiekszy_bohater': 'tak',
|
||||
'mob_jest_strzelcem': 'nie',
|
||||
'zdrowie_moba': '1',
|
||||
'artefakt': 'tak'}
|
||||
|
||||
print(przewiduj(drzewo, przyklad))
|
||||
print(drzewo)
|
||||
86
main.py
86
main.py
@ -9,7 +9,7 @@ from nn import *
|
||||
from astar import *
|
||||
import math
|
||||
import random
|
||||
|
||||
from drzewo_decyzyjne import *
|
||||
|
||||
class Game:
|
||||
|
||||
@ -31,7 +31,7 @@ class Game:
|
||||
self.bfs = Bfs(self)
|
||||
self.nn = NeuralN()
|
||||
self.astar = Astar(self)
|
||||
|
||||
self.tree = Tree()
|
||||
self.cell_costs = [[1 for _ in range(TILE_SIZE)] for _ in range(TILE_SIZE)]
|
||||
self.obstacles = [[False for _ in range(TILE_SIZE)] for _ in range(TILE_SIZE)]
|
||||
|
||||
@ -277,30 +277,7 @@ class Game:
|
||||
self.obstacles[self.najlepszaGeneracja[y+11][0]][self.najlepszaGeneracja[y+11][1]] = True
|
||||
self.bfs.wall_cells.append(self.bfs.get_cell_number(self.rock.x,self.rock.y))
|
||||
|
||||
""" to jest tak jak bylo zmieniam tylko pozycje elementow
|
||||
self.agent = Agent(self,1,1)
|
||||
self.archer_ork = Archer_ork(self,10,10)
|
||||
self.obstacles[10][10] = True
|
||||
self.bfs.enemy_cells.append(self.bfs.get_cell_number(self.archer_ork.x,self.archer_ork.y))
|
||||
self.infantry_ork = Infantry_ork(self,10,4)
|
||||
self.obstacles[10][4] = True
|
||||
self.bfs.enemy_cells.append(self.bfs.get_cell_number(self.infantry_ork.x,self.infantry_ork.y))
|
||||
|
||||
self.sauron = Sauron(self, 1, 10)
|
||||
self.obstacles[1][10] = True
|
||||
self.bfs.enemy_cells.append(self.bfs.get_cell_number(self.sauron.x,self.sauron.y))
|
||||
self.flower = Health_flower(self, 8,2)
|
||||
|
||||
for y in range (2,5):
|
||||
for x in range (2):
|
||||
self.grass = Grass(self,x,y)
|
||||
self.cell_costs[x][y] = 5
|
||||
|
||||
for y in range(5):
|
||||
self.rock = Rocks(self,3,y)
|
||||
self.obstacles[3][y] = True
|
||||
self.bfs.wall_cells.append(self.bfs.get_cell_number(self.rock.x,self.rock.y))
|
||||
"""
|
||||
def update(self):
|
||||
self.all_sprites.update()
|
||||
|
||||
@ -327,19 +304,48 @@ class Game:
|
||||
mob_image = self.sauron.image_path
|
||||
prediction = self.prediction_road(x,y,mob_image)
|
||||
prediction = "SAURON"
|
||||
while True: #do poprawienia poprawne rozpoznawanie póki co nie będzie działać dobrze, program się będzie zawieszać
|
||||
if prediction == "SAURON" and self.agent.level < 3:
|
||||
while True: #do poprawienia poprawne rozpoznawanie
|
||||
print("goal: ",goal)
|
||||
if prediction == "SAURON":
|
||||
if self.agent.level < self.sauron.level:
|
||||
lvl = 'nie'
|
||||
else:
|
||||
lvl = 'tak'
|
||||
przyklad = {'zdrowie_bohatera': '100',
|
||||
'moc_bohatera': 'tak',
|
||||
'moc_moba': 'tak',
|
||||
'lvl_wiekszy_bohater': lvl,
|
||||
'mob_jest_strzelcem': self.sauron.archer,
|
||||
'zdrowie_moba': '50',
|
||||
'artefakt': self.agent.artifact}
|
||||
decision = self.tree.tree(przyklad)
|
||||
print(decision)
|
||||
if decision == "walcz":
|
||||
self.obstacles[self.najlepszaGeneracja[3][0]][self.najlepszaGeneracja[3][1]] = False
|
||||
self.move_agent(self.astar.a_star(goal))
|
||||
else:
|
||||
x = self.archer_ork.x
|
||||
y = self.archer_ork.y
|
||||
goal = x//TILE_SIZE,y//TILE_SIZE
|
||||
mob_image = self.archer_ork.image_path
|
||||
prediction = self.prediction_road(x,y,mob_image)
|
||||
prediction = "ORK_ARCHER"
|
||||
elif prediction == "SAURON" and self.agent.level >= 3:
|
||||
self.obstacles[self.najlepszaGeneracja[3][0]][self.najlepszaGeneracja[3][1]] = False
|
||||
self.move_agent(self.astar.a_star(goal))
|
||||
|
||||
elif prediction == "ORK_INFANTRY":
|
||||
if self.agent.level < self.infantry_ork.level:
|
||||
lvl = 'nie'
|
||||
else:
|
||||
lvl = 'tak'
|
||||
przyklad = {'zdrowie_bohatera': '100',
|
||||
'moc_bohatera': 'tak',
|
||||
'moc_moba': 'tak',
|
||||
'lvl_wiekszy_bohater': lvl,
|
||||
'mob_jest_strzelcem': self.infantry_ork.archer,
|
||||
'zdrowie_moba': '50',
|
||||
'artefakt': self.agent.artifact}
|
||||
decision = self.tree.tree(przyklad)
|
||||
print(decision)
|
||||
if decision == "walcz":
|
||||
self.obstacles[self.najlepszaGeneracja[2][0]][self.najlepszaGeneracja[2][1]] = False
|
||||
self.move_agent(self.astar.a_star(goal))
|
||||
if self.agent.current_health < self.agent.max_health:
|
||||
@ -352,8 +358,24 @@ class Game:
|
||||
prediction = self.prediction_road(x,y,mob_image)
|
||||
prediction = "SAURON"
|
||||
elif prediction == "ORK_ARCHER":
|
||||
if self.agent.level < self.archer_ork.level:
|
||||
lvl = 'nie'
|
||||
else:
|
||||
lvl = 'tak'
|
||||
przyklad = {'zdrowie_bohatera': '100',
|
||||
'moc_bohatera': 'tak',
|
||||
'moc_moba': 'tak',
|
||||
'lvl_wiekszy_bohater': lvl,
|
||||
'mob_jest_strzelcem': self.archer_ork.archer,
|
||||
'zdrowie_moba': '50',
|
||||
'artefakt': self.agent.artifact}
|
||||
decision = self.tree.tree(przyklad)
|
||||
print(decision)
|
||||
if decision == "walcz":
|
||||
self.obstacles[self.najlepszaGeneracja[1][0]][self.najlepszaGeneracja[1][1]] = False
|
||||
|
||||
self.move_agent(self.astar.a_star(goal))
|
||||
|
||||
if self.agent.current_health < self.agent.max_health:
|
||||
goal = (self.flower.x//TILE_SIZE, self.flower.y//TILE_SIZE)
|
||||
self.move_agent(self.astar.a_star(goal))
|
||||
@ -387,7 +409,7 @@ class Game:
|
||||
print("PATH:::::",path)
|
||||
for cell_to_move in path:
|
||||
x, y = self.bfs.get_coordinates(cell_to_move)
|
||||
print("Ruch do kratki : ", cell_to_move, " z x: ", x, ", y: ", y, ", agent.x: ", self.agent.rect.x, ", agent.y: ", self.agent.rect.y)
|
||||
#print("Ruch do kratki : ", cell_to_move, " z x: ", x, ", y: ", y, ", agent.x: ", self.agent.rect.x, ", agent.y: ", self.agent.rect.y)
|
||||
if(self.bfs.get_cell_number(self.agent.rect.x,self.agent.rect.y)!=cell_to_move):
|
||||
if x > self.agent.rect.x:
|
||||
self.agent.direction = 0
|
||||
@ -414,7 +436,7 @@ class Game:
|
||||
self.update()
|
||||
self.map()
|
||||
|
||||
print("Polozenie agenta: agent.x: ", self.agent.rect.x, ", agent.y: ", self.agent.rect.y)
|
||||
#print("Polozenie agenta: agent.x: ", self.agent.rect.x, ", agent.y: ", self.agent.rect.y)
|
||||
self.clock.tick(2)
|
||||
|
||||
def map(self): # tworzenie mapy
|
||||
|
||||
6
mobs.py
6
mobs.py
@ -30,6 +30,8 @@ class Archer_ork(pygame.sprite.Sprite):
|
||||
self.damage = 50*self.level
|
||||
self.health = 50
|
||||
|
||||
self.archer = 'tak'
|
||||
|
||||
class Infantry_ork(pygame.sprite.Sprite):
|
||||
|
||||
|
||||
@ -59,6 +61,8 @@ class Infantry_ork(pygame.sprite.Sprite):
|
||||
self.damage = 50*self.level
|
||||
self.health = 100
|
||||
|
||||
self.archer = 'nie'
|
||||
|
||||
|
||||
class Sauron(pygame.sprite.Sprite):
|
||||
|
||||
@ -88,3 +92,5 @@ class Sauron(pygame.sprite.Sprite):
|
||||
self.level = 3
|
||||
self.damage = 50*self.level
|
||||
self.health = 150
|
||||
|
||||
self.archer = 'nie'
|
||||
Loading…
Reference in New Issue
Block a user