简介一款贪吃蛇游戏的人工智能项目核心目标是让蛇在有限地图中通过路径搜索与决策算法尽可能多地吃食物直到占满整个地图适合学习经典游戏 AI 与最短/最长路径规划的开发者。资源为 zip 压缩包共 57 个文件约 1.52MB以 34 个 Python 脚本为主干配合 8 个 GIF 演示图、7 个 PNG 截图、2 个 YAML 配置和 2 个 Markdown 算法说明文档目录结构清晰便于按模块阅读和调试。源码中 solver 实现核心搜索逻辑gui 与 base 提供可视化界面和基础模块algorithms.md 讲解最短路径与最长路径策略tools 下还包含 plot_dqn_history.py 与 plot_dqn_compare.py 等 DQN 训练分析工具run.py 和 game.py 可直接启动游戏与 AI 对抗。项目已有 1617 人学习适合作为从零实现游戏 AI 的参考范例可结合演示动画直观验证算法在实际地图中的运行效果。1. 项目思路与技术选型1.1 为什么拿贪吃蛇练手AI贪吃蛇这个游戏规则简单到一句话就能说清控制蛇头移动吃到食物变长撞墙或者咬到自己就结束。但就是这么个看似幼稚的规则却是天然的算法试验场——它的状态空间有限、操作逻辑明确、结果可量化比任何纸上谈兵式的算法题都更能检验一个AI方案的实战能力。我在做Snake-AI这个项目时核心目标不是让蛇吃到食物而是让蛇在任意局面下都不会死。这听起来是同一件事实际上差别很大。单纯追食物用BFS或者A*在空阔地图上都能跑得很好但一旦蛇身变长、地图变得拥挤贪吃蛇的核心矛盾就浮现了蛇在移动时尾巴会同步缩短这意味着它自身的长度一直在改变自身可通行的空间。这种动态障碍物特性让贪吃蛇成了一个非常适合研究实时路径规划与风险评估的微型沙盒。如果你是为了交人工智能大作业、或者想入门游戏AI这个项目的好处有三个第一不需要买任何硬件一台普通电脑就能跑第二可视化和交互反馈非常直观写错逻辑一眼就能看出来第三算法深度可调——你可以只做BFS寻路也可以一路做到强化学习丰俭由人。1.2 几种主流方案的取舍对比在动手写代码之前我先把市面上常见的贪吃蛇AI方案梳理了一遍各有各的坑方案核心思路优点致命缺点纯随机/规则判断基于当前方向做碰撞规避简单作为baseline上限太低蛇长一点必死BFS/最短路径寻路每次移动前BFS计算到食物的最短路径思路清晰实现快只求最短经常把自己逼进死胡同A*启发式搜索带权值的最短路径可以绕路比BFS灵活依赖启发函数的构造处理不好容易绕远路Hamilton环预计算一条遍历全图的环路蛇沿环走理论不死效率极低蛇短的时候绕大圈吃食物观感很差强化学习Q-Learning/DQN通过奖励信号让智能体自己学习策略真AI上限高状态空间巨大调参炼狱训练动辄几小时目标追踪安全区策略在寻路基础上增加虚拟蛇身/安全区评估稳定不死效率高需要仔细打磨边界逻辑最终我选择的方案是BFS寻路 蛇尾追踪 安全区校验的混合策略在蛇长度较短时直接追踪食物当蛇身变长、地图拥挤度上升后改为优先追踪蛇尾、同时用安全区判断是否冒险吃食物。这个选择背后的逻辑很直白强化学习确实帅但状态空间设计、奖励函数调优、训练时长控制这三个环节对新手来说都是大坑——我自己试过用Q-table做贪吃蛇状态维度稍微一多矩阵就爆炸。而BFS属于确定性算法每一步都计算最佳路径写起来快、调试直观、效果可预期对大多数人来说是性价比最高的起点。当然我在文末也会讲清楚如果后续想升级到强化学习应该从什么角度切入。2. 核心算法拆解2.1 BFS寻路为什么是唯一指定起点BFS广度优先搜索在网格地图上的逻辑非常直观从蛇头出发像水波一样逐层扩散先找到目标的那条路径就是步数最少的。为什么选它做地基而不是A*因为在贪吃蛇这个场景里地图规模通常只有20×20或者30×30这种量级BFS和A*的性能差距几乎可以忽略但BFS代码简单得多不容易写出隐蔽的bug。实现BFS的核心数据结构有两个队列和父节点记录表。from collections import deque def bfs_find_path(grid, start, target): grid: 二维数组0表示可通行1表示障碍物/蛇身 start: 蛇头坐标 (row, col) target: 目标坐标 (row, col) rows, cols len(grid), len(grid[0]) visited [[False] * cols for _ in range(rows)] parent [[None] * cols for _ in range(rows)] queue deque([start]) visited[start[0]][start[1]] True directions [(-1, 0), (1, 0), (0, -1), (0, 1)] # 上下左右 while queue: current queue.popleft() if current target: # 回溯整条路径 path [] while current is not None: path.append(current) current parent[current[0]][current[1]] return path[::-1] for dx, dy in directions: nx, ny current[0] dx, current[1] dy if 0 nx rows and 0 ny cols: if not visited[nx][ny] and grid[nx][ny] 0: visited[nx][ny] True parent[nx][ny] current queue.append((nx, ny)) return None # 没找到路径这里有一个细节很多人第一次写会踩坑BFS的目标点不一定是真实坐标也可以是虚拟目标。比如蛇在追自己尾巴时目标点是当前蛇尾的坐标但因为蛇在移动蛇尾也在动所以每次移动前必须重新计算一次路径不能复用上一次的路径缓存。路径规划从一次性变为每步动态规划这也是贪吃蛇AI和静态迷宫寻路最本质的区别。BFS的时空复杂度都是O(R×C)对20×20的地图就是400个格子一秒钟跑几百次毫无压力。在写AI逻辑时你完全可以每帧都做一次完整的BFS搜索不需要考虑性能优化的问题。2.2 最长路径、安全区与蛇尾追踪如果只做蛇头到食物最短路径那程序在蛇短的时候跑得挺欢蛇长到一定程度就开始暴露问题——因为最短路径会把蛇往食物方向拖而蛇在移动时如果蛇身刚好挡住了自己的逃生通道BFS计算出的路径反而是通往死亡的路线。这时候需要引入我前面提到的两样东西安全区判断和蛇尾追踪。安全区判断的核心思想是在决定移动方向前模拟蛇前进一格后的新地图用洪水填充算法Flood Fill计算一下蛇头在当前可达区域能覆盖多少个格子这个数字就是安全区面积。如果移动后安全区面积明显减小说明这一步是在把自己逼向死角应该换一条路。蛇尾追踪更简单粗暴当地图上的食物处在危险区域时放弃追食物改为追蛇尾。因为蛇尾是正在释放空间的格子追着蛇尾走意味着你始终在扑向正在变安全的区域相当于在压缩空间中寻找最大存活概率。判断是否安全的伪代码逻辑如下1. 用BFS计算蛇头到食物的路径path_to_food 2. 模拟蛇沿path_to_food前进执行完整路径虚拟蛇移动 3. 在虚拟蛇移动后的地图上以虚拟蛇头为起点做Flood Fill 4. 如果可达区域面积 阈值比如大于蛇身剩余空间的一半判定安全 5. 安全则朝食物走危险则改走蛇尾方向模拟移动是这套方案里最关键的步骤。很多人的AI一长就死就是因为他没做模拟只看到这一步能吃食物就冲过去结果吃到食物的那一刻蛇身增长把唯一的出口堵死了。先模拟、再行动是贪吃蛇AI不自杀的底线思维。2.3 状态机的串联从觅食到保命把上面的模块拼装在一起后整个AI的逻辑就是一套状态机每个决策周期内按优先级依次判断第一优先级保命。如果朝任意方向移动会导致撞墙或撞自己一律禁止。第二优先级吃食物。如果到食物的路径安全通过虚拟蛇模拟验证走这条路。第三优先级追尾巴。如果吃食物路径不安全改走能最大化蛇尾可达区域的路径。第四优先级贴墙游走。极端情况下如果地图几乎被蛇身占满任何寻路都失效进入沿着蛇身外围游走拖时间的兜底模式。这个状态机的好处是层次分明、每一层都容易单独调试。你可以先只做第一优先级测试蛇会不会自己撞死然后加第二优先级看看会不会为了吃食物闯进死路逐层叠加出了问题也知道是哪个模块的锅。3. 实操环境与工程实现3.1 技术栈与环境搭建这个项目我用的语言是Python主要考虑是上手快、写AI逻辑效率高而且可视化可以一步到位。建议直接装Python 3.8以上版本然后安装两个库pip install pygame numpypygame负责渲染游戏窗口、响应键盘事件numpy用来高效处理地图矩阵尤其在做Flood Fill和BFS时用numpy的数组切片可以少写很多循环。当然如果你完全不想装图形库也可以写成纯命令行版本——每次用print打印地图用input等待下一步但那样调试时体验会差一些。工程结构我拆成了四个文件snake_ai/ ├── main.py # 主循环游戏初始化、渲染、控制 ├── game.py # 贪吃蛇游戏核心逻辑蛇移动、碰撞检测、食物生成 ├── ai.py # AI决策模块BFS、安全区判断、状态机 └── debug.py # 可视化调试工具可选为什么不干脆写在同一个文件里因为贪吃蛇的游戏逻辑和AI逻辑其实是两个独立的东西游戏逻辑描述的是规则蛇怎么动、什么时候死AI逻辑描述的是策略该往哪走。在项目初期把两者分开后面如果你想换一种AI算法只需要重写ai.py游戏代码完全不用动。这也是做AI项目时一个重要的好习惯环境和决策解耦。3.2 游戏核心逻辑的细节实现游戏本身虽然简单但有两个细节会影响后面AI的正确性第一个是蛇的移动方式。典型实现里蛇身体是一个链表每次移动在头部插入新格子、尾部弹出旧格子。这里有一个吃到食物的关键处理顺序先判断是否吃到食物吃到则尾部不弹、长度加一没吃到则头部插入、尾部弹出。def move_snake(self, direction): head self.snake[-1] new_head (head[0] direction[0], head[1] direction[1]) # 碰撞检测 if self.is_collision(new_head): return False self.snake.append(new_head) if new_head self.food: self.score 1 self.generate_food() else: self.snake.pop(0) # 尾部缩短 return True第二个是地图坐标系的统一。强烈建议统一用(row, col)表示所有坐标——row是行索引、对应y轴col是列索引、对应x轴。如果混用x/y和row/col写AI的时候BFS的偏移量、pygame的渲染坐标、碰撞检测的条件很快就会乱套。这是我在工程里踩过最痛的坑之一改起来牵一发动全身。3.3 AI决策模块的完整执行流在ai.py中主决策函数的结构如下def decide_direction(snake, food, grid): head snake[-1] body_set set(snake) # 候选方向可用且下一步不死 safe_moves [] for d in [(0,1),(0,-1),(1,0),(-1,0)]: next_pos (head[0]d[0], head[1]d[1]) if not is_out_of_bounds(next_pos, grid) and next_pos not in body_set: safe_moves.append(d) if not safe_moves: return None # 无路可走游戏结束 # 尝试吃食物 path_to_food bfs_find_path(grid, head, food) if path_to_food: # 模拟吃完食物后的局面 if is_safe_after_path(snake, path_to_food, grid): return path_to_food[0] # 吃不了食物追踪蛇尾 tail snake[0] path_to_tail bfs_find_path(grid, head, tail) if path_to_tail: return path_to_tail[0] # 兜底选一个安全方向上安全区最大的 best_direction max(safe_moves, keylambda d: flood_fill_area(get_next_state(snake, d), grid)) return best_direction这里有三个值得展开的细节。细节一is_safe_after_path的实现。模拟吃食物的过程不能只模拟一步要把到食物路径上所有步全部走完走完后新的蛇身长度是len(snake) len(path_to_food) - 1左右实际上是原蛇长加上路径长度减一然后以新蛇头为起点做Flood Fill。如果可达面积大于蛇身长度的一定比例才认为是安全的。我实测下来对20×20的地图这个比例阈值取0.6比较合适——太保守会让蛇绕远路太激进又会撞死。细节二蛇尾坐标的跟踪。注意我在代码里用snake[0]取蛇尾但snake是Python列表、头部在末尾snake[-1]。在计算到蛇尾路径时如果网格上蛇尾坐标只有一个格子没问题但当蛇长恰好是2时蛇尾格子和蛇头相邻BFS的终点判定会出问题——需要额外处理蛇无尾可追的极端情况蛇长度为2到3时直接把蛇尾当作普通障碍物排除在搜索之外。细节三方向的随机性。当多个方向的安全区面积相同时很多实现会取第一个这会导致蛇的轨迹过于有规律在极端情况下陷入循环。建议在面积相同的情况下随机选一个方向这样可以让蛇的行为更自然、也更容易跳出潜在的死锁。3.4 可视化调试的重要性不管你是用pygame还是网页版强烈建议在调试阶段打开可视化。我自己的做法是同时打开两个窗口一个显示游戏画面另一个在控制台打印当前的关键指标——食物路径长度、安全区面积、当前状态机状态是吃食物还是追尾巴还是兜底。这个习惯让我少走了很多弯路。很多时候AI看起来很聪明但一旦打印出内部指标你立刻会发现它其实是靠运气活下来的。比如安全区面积从500突然跌到50说明蛇已经进入危险区间你需要回头检查到底是哪一步决策导致的。4. 常见问题与避坑指南4.1 高频问题排查表现象根本原因解决方案蛇总是绕远路不吃食物安全区阈值设得太低调高阈值或者增大模拟深度蛇撞上自己的身体BFS路径没有考虑移动后蛇身变化每次决策前重算地图模拟整条路径蛇在空旷区域不停转圈多个方向安全区相等导致随机抖动增加距离食物越近越好的权重食物生成在蛇身包围的死区中食物生成策略没有排除不可达区域生成食物时做一次可达性判断游戏后期蛇无路可走直接暴毙没有兜底状态添加贴墙游走/沿蛇身路径策略这里特别说一下食物生成在死区这个问题。如果你用的是完全随机生成食物的方案当蛇身足够长时食物有很大概率出现在蛇头永远无法到达的封闭区域内。此时AI无论怎么规划都到不了食物就会一直处于追尾巴模式直到自己把自己勒死。解决办法是在生成食物时检查一下这个食物是否在蛇头可达区域内直接跑一次Flood Fill如果不可达就重新生成。这个操作代价极低但对游戏体验的提升是巨大的。4.2 参数调优的血泪心得安全区比例阈值。这是我调试过程中花时间最多的参数。取值太小时比如0.3蛇会为了吃食物冲进危险区域经常在吃到东西后把自己困死取值太大时比如0.9蛇变得极度保守食物明明就在眼前也要绕一大圈导致很长时间吃不到一个食物。我最终的方案是让这个阈值随蛇长动态变化蛇短时取0.4蛇长超过地图格子数的30%后逐步提高到0.8。动态调参的效果比固定值好非常多因为它贴合了不同阶段冒险收益和生存风险之间的平衡变化。BFS路径的绕路容忍度。对于到食物的路径如果直接BFS找到的最短路径在安全区内那就走但有时最短路径紧贴着蛇身走起来非常危险。我后来加了一个容错策略在不安全时把距离食物路径上每个格子与蛇身的最小距离作为惩罚权重重新搜索一条更靠中间的路线。这一步用到了类似A的思路但实现比完整A简单只需要在BFS扩展时优先选择离蛇身更远的邻居。4.3 一个容易被忽略的蛇游走策略细节兜底模式里的贴墙游走看似简单其实也有门道。如果蛇绕着地图外墙走很容易走到死胡同——因为外墙的四个角就是天然的陷阱蛇一旦走到墙角再转身就难了。我的做法是在兜底模式下不仅考虑下一步不会撞墙还要考虑下一步之后的下两步是否还有空间。用BFS预判两步比只判断一步能救回很多命。此外蛇在兜底状态下尽量不要主动转向维持当前方向、少做机动是减少错误决策最有效的方式。这个经验听起来很玄学但在实际运行中有明确的数学解释每次转向都意味着蛇头占用了一个新的格子、释放了一个旧的格子在密集空间里频繁转向会让自身形态快速变得不规则而相对稳定的弧形轨迹能最大限度保持身体形态的规整性为后续腾出可操作空间。5. 后续扩展方向参考把上述BFS安全区方案跑通后你的贪吃蛇AI基本可以达到永远不会主动找死的水平。到这一步如果还想继续深入我个人比较推荐按下面这条路线去扩展从规则AI到学习型AI。用Q-learning做贪吃蛇时最容易踩的坑是状态空间的定义。单纯把蛇头坐标食物坐标蛇身区块作为状态维度会导致Q表爆炸。我见过的可行做法是把状态抽象为视野特征——比如用蛇头周围8个方向上的障碍物距离、食物方位角、蛇身占比等十几个特征组成一个向量再通过离散化映射为有限状态。训练时奖励函数建议拆成两层吃到食物给正奖励、每次移动给小的负奖励抑制蛇在原地转圈、死亡给大负奖励。多跑几万局你就能看到蛇从乱撞到有目的性觅食的进化过程。从单机到人机对战。在AI决策稳定后可以顺手写一个手动控制模式让人类玩家和AI在同一个地图、同样的初始条件下比赛看谁得分更高。我实测下来BFS版AI在20×20地图上基本能跑1500分以上远超大多数人类玩家——这个对比本身就是很有意思的人工 vs 智能实验发到朋友圈也足够炫酷。我个人在实际操作中的体会是贪吃蛇AI这个项目最大的价值不在于让蛇吃得多而在于它逼迫你把抽象算法和具体世界对应起来。BFS书上看十遍不如在蛇快撞上自己时debug一遍来得刻骨铭心。如果你正在找一个人工智能入门项目从这条蛇开始不会错的。本文还有配套的精品资源点击获取