簡(jiǎn)介這份資源是一套用 C/C 編寫的貪吃蛇游戲人工智能實(shí)現(xiàn)面向?qū)?AI 算法、路徑搜索與游戲策略感興趣的開發(fā)者與學(xué)習(xí)者幫助理解如何讓蛇在自動(dòng)尋路中盡可能多地吃到食物直至填滿整張地圖。壓縮包共 57 個(gè)文件以 34 個(gè) Python 源碼為主體輔以 8 個(gè) gif 與 7 個(gè) png 演示素材、2 個(gè) yml 與 2 個(gè) md 配置說明文檔以及許可證、依賴清單等輔助文件整體約 1.52MB結(jié)構(gòu)緊湊。內(nèi)容涵蓋最短路徑、最長(zhǎng)路徑與人工智能算法等核心模塊并配有求解器、圖形界面、基礎(chǔ)工具與算法說明文檔便于讀者對(duì)照源碼理解尋路策略與決策邏輯。目前已有 1635 人學(xué)習(xí)下載適合作為算法實(shí)踐與課程設(shè)計(jì)的參考案例也可在此基礎(chǔ)上擴(kuò)展更復(fù)雜的 AI 策略。1. 貪吃蛇 AI 到底怎么跑起來的從一份能直接讀的源碼說起很多人第一次聽到「Snake-AI」腦子里浮現(xiàn)的是不是那種用強(qiáng)化學(xué)習(xí)訓(xùn)練幾千輪、需要顯卡跑一整天的項(xiàng)目我拿到這份資源之前也是這么想的結(jié)果打開一看它走的是一條更樸素、也更容易復(fù)現(xiàn)的路子——用搜索算法加啟發(fā)式評(píng)估讓蛇在網(wǎng)格里自己找路。這恰恰是「貪吃蛇 人工智能 AI」這個(gè)方向里最適合拿來拆解和學(xué)習(xí)的一類實(shí)現(xiàn)不依賴訓(xùn)練框架不需要 GPU一臺(tái)普通筆記本就能跑代碼邏輯全部攤開在你面前。這份資源解決的核心問題是把「AI 怎么玩游戲」這件事從黑匣子里拽出來變成你能逐行讀懂、逐參數(shù)調(diào)優(yōu)的代碼。它適合三類人——想入門人工智能大作業(yè)的學(xué)生、想找一個(gè)干凈項(xiàng)目練手搜索算法的開發(fā)者、以及想給 Scratch 貪吃蛇腳本升級(jí)智能邏輯的愛好者。你不需要先學(xué)完人工智能導(dǎo)論 PDF 才能看懂但需要會(huì)一點(diǎn) Python 基礎(chǔ)。2. 核心機(jī)制拆解蛇是怎么「思考」下一步的2.1 狀態(tài)表示與決策循環(huán)貪吃蛇 AI 的本質(zhì)是一個(gè)在離散網(wǎng)格上做序貫決策的問題。每一幀蛇需要根據(jù)當(dāng)前局面選擇一個(gè)方向。這份資源里蛇的「視野」被抽象成幾個(gè)關(guān)鍵量蛇頭位置、蛇身占用的格子集合、食物坐標(biāo)、當(dāng)前移動(dòng)方向、以及棋盤邊界。這些量組合起來就是 AI 的輸入狀態(tài)。決策循環(huán)的骨架非常清晰# 核心決策循環(huán)簡(jiǎn)化示意 def game_loop(): while not game_over: state get_state(snake, food, grid_size) # 采集當(dāng)前狀態(tài) action ai.choose_action(state) # AI 選方向 snake.move(action) # 執(zhí)行移動(dòng) if snake.head food: snake.grow() food spawn_food(grid_size) game_over check_collision(snake, grid_size)這段代碼里get_state負(fù)責(zé)把游戲畫面轉(zhuǎn)成算法能吃的結(jié)構(gòu)化數(shù)據(jù)choose_action是 AI 的大腦check_collision是裁判。三個(gè)函數(shù)各司其職替換其中任何一個(gè)都不會(huì)影響另外兩個(gè)——這種解耦設(shè)計(jì)是這份源碼值得讀的第一個(gè)理由。參數(shù)方面grid_size決定了搜索空間的大小。常見做法是 20×20 或 30×30格子越小搜索深度可以越大但單步計(jì)算量也越高。我一般會(huì)先把grid_size設(shè)成 15×15 跑通流程確認(rèn)邏輯沒問題再往上加。2.2 尋路算法BFS、A* 還是貪心這份資源默認(rèn)用的是 BFS廣度優(yōu)先搜索找最短路徑到食物再疊加一層安全檢測(cè)。為什么不用 A*因?yàn)樵谶@個(gè)場(chǎng)景里網(wǎng)格是均勻的沒有地形代價(jià)差異BFS 和 A* 的實(shí)際效果幾乎一樣但 BFS 實(shí)現(xiàn)更簡(jiǎn)單、不容易寫出啟發(fā)式函數(shù)的 bug。BFS 的核心邏輯from collections import deque def bfs_path(start, target, blocked): 在網(wǎng)格中找從 start 到 target 的最短路徑blocked 是障礙集合 queue deque([(start, [start])]) visited {start} while queue: (x, y), path queue.popleft() if (x, y) target: return path for dx, dy in [(0,1),(0,-1),(1,0),(-1,0)]: nx, ny x dx, y dy if (nx, ny) not in visited and (nx, ny) not in blocked: visited.add((nx, ny)) queue.append(((nx, ny), path [(nx, ny)])) return None # 無路可走blocked集合里放的是蛇身占用的格子蛇尾那一格通?？梢耘懦?yàn)橄乱徊剿涂樟?。visited防止走回頭路。返回的path是完整路徑列表AI 只需要取path[1]作為下一步方向。這里有個(gè)關(guān)鍵參數(shù)蛇尾是否算障礙。如果把蛇尾也算進(jìn)去蛇在追食物時(shí)容易把自己堵死不算的話蛇可以貼著尾巴走靈活性更高。我建議初期把蛇尾排除等蛇長(zhǎng)度超過 30 再考慮加回來。2.3 安全策略什么時(shí)候不該追食物純 BFS 追食物有個(gè)致命問題——蛇會(huì)把自己圍死。這份資源里加了一層「安全檢測(cè)」在決定走某一步之前先模擬走完這一步然后檢查蛇頭是否還有到達(dá)蛇尾的路徑。如果沒有說明這一步可能導(dǎo)致死局就換一個(gè)方向。def is_safe(snake, next_head, food, grid_size): 模擬走一步后檢查蛇頭能否到達(dá)蛇尾 simulated_body [next_head] snake.body[:-1] tail simulated_body[-1] blocked set(simulated_body[:-1]) # 尾巴不算障礙 path_to_tail bfs_path(next_head, tail, blocked) return path_to_tail is not None這個(gè)檢測(cè)的代價(jià)是每步多跑一次 BFS但換來的是蛇的存活率大幅提升。參數(shù)上simulated_body的構(gòu)造要注意蛇頭前進(jìn)后原來的尾巴會(huì)消失除非剛吃了食物所以用snake.body[:-1]來模擬。常見做法是先找所有可行方向按「能否安全到達(dá)食物」排序再按「能否安全到達(dá)尾巴」過濾最后選一個(gè)最長(zhǎng)的安全路徑方向。這套邏輯不復(fù)雜但效果比純貪心好很多。3. 從零跑起來環(huán)境、配置與第一次運(yùn)行3.1 環(huán)境準(zhǔn)備與依賴安裝這份資源是純 Python 實(shí)現(xiàn)沒有重型依賴。我實(shí)測(cè)下來Python 3.8 以上都能跑。需要裝的庫只有兩個(gè)# 創(chuàng)建虛擬環(huán)境推薦避免污染全局 python -m venv snake_env source snake_env/bin/activate # Windows 用 snake_env\Scripts\activate # 安裝依賴 pip install pygame numpypygame負(fù)責(zé)渲染畫面numpy用于網(wǎng)格數(shù)據(jù)的快速操作。如果你只想跑無界面的 AI 對(duì)戰(zhàn)比如批量測(cè)試算法效果pygame可以跳過但源碼里的可視化模塊會(huì)報(bào)錯(cuò)需要手動(dòng)注釋掉渲染部分。提示如果你用的是 macOS 且 Python 版本較新pygame安裝可能報(bào)錯(cuò)常見做法是先brew install sdl2 sdl2_image sdl2_ttf再pip install pygame。3.2 關(guān)鍵參數(shù)配置表源碼里有一個(gè)config.py或類似的配置文件集中管理所有可調(diào)參數(shù)。我整理了一份常用參數(shù)對(duì)照參數(shù)名含義推薦值調(diào)整影響GRID_SIZE棋盤邊長(zhǎng)格子數(shù)20越大搜索越慢蛇活動(dòng)空間越大INITIAL_LENGTH蛇初始長(zhǎng)度3太短容易開局撞墻太長(zhǎng)占空間SPEED每步間隔秒0.05越小越快低于 0.02 肉眼難跟USE_SAFETY_CHECK是否開啟安全檢測(cè)True關(guān)掉跑得快但容易死MAX_STEPS單局最大步數(shù)5000防止死循環(huán)AI 卡住時(shí)自動(dòng)結(jié)束我一般會(huì)先把SPEED調(diào)到 0.1 觀察 AI 決策是否合理確認(rèn)沒問題再降到 0.03 看高速表現(xiàn)。USE_SAFETY_CHECK在調(diào)試階段建議關(guān)掉這樣能更快看到 AI 的原始行為方便定位邏輯問題。3.3 第一次運(yùn)行與結(jié)果解讀配置好后直接運(yùn)行主程序python main.py --mode ai --grid 20 --speed 0.05如果源碼沒有命令行參數(shù)支持就改配置文件后python main.py。運(yùn)行后你會(huì)看到兩種可能的結(jié)果蛇穩(wěn)定增長(zhǎng)到占滿棋盤或者蛇在某個(gè)長(zhǎng)度后開始繞圈。前者說明安全檢測(cè)和尋路配合得當(dāng)后者通常是安全檢測(cè)過于保守蛇不敢吃食物。判斷 AI 是否正常的一個(gè)簡(jiǎn)單指標(biāo)前 20 步內(nèi)蛇應(yīng)該能吃到至少 2 個(gè)食物。如果 50 步還沒吃到第一個(gè)檢查bfs_path的blocked集合是否把食物坐標(biāo)也誤加進(jìn)去了。4. 避坑與排查那些讓我重跑十幾次的問題4.1 蛇原地打轉(zhuǎn)不前進(jìn)現(xiàn)象AI 每步都選同一個(gè)方向蛇頭在兩個(gè)格子之間來回移動(dòng)。原因choose_action返回的方向和當(dāng)前方向相反但游戲邏輯里禁止反向移動(dòng)導(dǎo)致動(dòng)作被忽略AI 又選了同一個(gè)方向。解決在choose_action里加一層過濾排除與當(dāng)前方向相反的選項(xiàng)。常見做法是維護(hù)一個(gè)opposite字典選方向前先剔除。4.2 BFS 找到路徑但蛇撞墻現(xiàn)象日志顯示 BFS 返回了路徑但蛇執(zhí)行下一步后撞墻游戲結(jié)束。原因BFS 的坐標(biāo)系統(tǒng)和游戲渲染的坐標(biāo)系統(tǒng)不一致。比如 BFS 用(row, col)游戲用(x, y)轉(zhuǎn)換時(shí)搞反了。解決統(tǒng)一坐標(biāo)約定在get_state和snake.move之間加一個(gè)轉(zhuǎn)換層或者干脆全部用(x, y)。我習(xí)慣在代碼開頭寫一行注釋明確坐標(biāo)含義省得后面忘。4.3 蛇長(zhǎng)度超過 20 后突然死亡現(xiàn)象前 20 個(gè)食物吃得很順第 21 個(gè)之后蛇頻繁把自己圍死。原因安全檢測(cè)只檢查了蛇頭到蛇尾的路徑但沒考慮蛇身占據(jù)的格子會(huì)隨移動(dòng)變化。蛇越長(zhǎng)模擬一步后的局面和實(shí)際偏差越大。解決把安全檢測(cè)的模擬深度從 1 步增加到 2-3 步或者改用「洪水填充」計(jì)算蛇頭可達(dá)區(qū)域面積面積小于蛇身長(zhǎng)度就判定危險(xiǎn)。這個(gè)改動(dòng)會(huì)增加計(jì)算量但蛇的存活長(zhǎng)度能明顯提升。4.4 渲染卡頓導(dǎo)致 AI 決策延遲現(xiàn)象蛇移動(dòng)一頓一頓的日志顯示每步耗時(shí)波動(dòng)很大。原因pygame的渲染和 AI 計(jì)算在同一線程渲染幀率不穩(wěn)定時(shí)拖慢了決策循環(huán)。解決把 AI 計(jì)算和渲染分離AI 在后臺(tái)線程算好下一步方向渲染線程只負(fù)責(zé)畫?；蛘吆?jiǎn)單點(diǎn)關(guān)掉不必要的特效陰影、漸變把SPEED調(diào)大一點(diǎn)給渲染留時(shí)間。4.5 換了棋盤大小后 AI 直接撞墻現(xiàn)象GRID_SIZE從 20 改成 30 后蛇開局就撞墻。原因源碼里有些地方硬編碼了20比如邊界檢測(cè)寫的是if x 20改配置沒同步改這些地方。解決全局搜索所有數(shù)字20替換成GRID_SIZE變量。常見做法是把邊界檢測(cè)封裝成is_valid(pos, grid_size)函數(shù)所有地方統(tǒng)一調(diào)用。5. 進(jìn)階玩法讓蛇學(xué)會(huì)「貪心」以外的策略5.1 從 BFS 到 A*加一個(gè)啟發(fā)式函數(shù)BFS 在空曠棋盤上夠用但蛇長(zhǎng)了之后搜索空間變大BFS 會(huì)探索很多無用格子。換成 A* 可以顯著減少搜索量import heapq def a_star_path(start, target, blocked): A* 尋路用曼哈頓距離做啟發(fā)式 def h(p): return abs(p[0] - target[0]) abs(p[1] - target[1]) open_set [(h(start), 0, start, [start])] visited set() while open_set: f, g, current, path heapq.heappop(open_set) if current target: return path if current in visited: continue visited.add(current) for dx, dy in [(0,1),(0,-1),(1,0),(-1,0)]: nxt (current[0]dx, current[1]dy) if nxt not in visited and nxt not in blocked: heapq.heappush(open_set, (g1h(nxt), g1, nxt, path[nxt])) return Noneh函數(shù)用曼哈頓距離因?yàn)樯咧荒苌舷伦笥易?。f g h是 A* 的核心排序依據(jù)。實(shí)測(cè)在 30×30 棋盤上A* 比 BFS 少探索約 40% 的格子蛇的決策速度明顯提升。5.2 用「最長(zhǎng)路徑」策略延長(zhǎng)存活時(shí)間當(dāng)蛇長(zhǎng)度超過棋盤格子的 30% 后追食物反而危險(xiǎn)。這時(shí)候可以切換策略不追食物而是找一條能讓自己活得最久的路。具體做法是計(jì)算蛇頭到蛇尾的最長(zhǎng)路徑沿著這條路走等食物自然出現(xiàn)在路徑附近再吃。def longest_path_to_tail(snake, grid_size): 找蛇頭到蛇尾的最長(zhǎng)路徑簡(jiǎn)化版用 DFS 找所有路徑取最長(zhǎng) # 實(shí)際實(shí)現(xiàn)建議用動(dòng)態(tài)規(guī)劃或啟發(fā)式純 DFS 在 20x20 以上會(huì)超時(shí) pass這個(gè)策略的計(jì)算量比 BFS 大常見做法是限制搜索深度或者只在蛇長(zhǎng)度超過閾值時(shí)才啟用。我一般設(shè)閾值len(snake) grid_size * 0.3低于這個(gè)值還是正常追食物。5.3 驗(yàn)證 AI 效果的三個(gè)指標(biāo)跑完幾局后怎么判斷 AI 好不好我習(xí)慣看三個(gè)數(shù)指標(biāo)含義合格線優(yōu)秀線平均存活步數(shù)每局蛇走的步數(shù) 500 2000食物轉(zhuǎn)化率吃到的食物 / 總步數(shù) 0.01 0.03最大長(zhǎng)度單局蛇達(dá)到的最大長(zhǎng)度 30 60這三個(gè)指標(biāo)在源碼的日志模塊里通常有輸出如果沒有就自己加幾行print。我一般會(huì)跑 10 局取平均單局波動(dòng)太大說明 AI 策略不穩(wěn)定。從那以后我每次改完尋路邏輯都強(qiáng)制先跑 10 局看這三個(gè)指標(biāo)有沒有退化再去看畫面。畫面會(huì)騙人數(shù)據(jù)不會(huì)。希望這份拆解能幫你少走點(diǎn)彎路把這份 Snake-AI 真正跑起來、改起來。本文還有配套的精品資源點(diǎn)擊獲取