IEnumerator AICycle()
{
if (typeAI != AIType.Montecarlo)
{
yield return(null);
Actions act = AI.Decide();
yield return(null);
myEffector.Execute(act);
}
else
{
MontecarloAI aux = (MontecarloAI)AI;
aux.MontecarloDecide(currentGame.GetSnapshot());
while (!aux.Ready)
{
yield return(null);
}
#if UNITY_EDITOR
if (aux.ActionToExecute == Actions.None)
{
Debug.LogError("ERROR EN MONTECARLO: NO SE HA OBTENIDO ACCION");
}
#endif
myEffector.Execute(aux.ActionToExecute);
}
}
/// <summary>
/// Execute l'effecteur le plus approprie selon l'agent
/// </summary>
public void ExecuteMoves()
{
// Observe l’environnement
CaptureSignals();
// Met A jour les croyance a partir des nouveaux fait observe et des croyances deja etablie
InferenceEngine.InferenceCycle(ref _beliefs, _rules);
if (_queuedActions.Count == 0)
{
PlanNextMove();
}
Effector action = _queuedActions.Dequeue();
action.Execute(this);
}
/// <summary>
/// Execute l'effecteur le plus approprie selon l'agent
/// </summary>
/// <returns>Faux si l'agent n'a plus de mouvement</returns>
public bool ExecuteAMove()
{
// Observe l’environnement
CheckersState currentState = CaptureSignals();
// Construit l'arbre ? (Uniquement si pb de performance)
// Recupere toute les actions possible
// Defini le but actuel prioritaire
// Pour toute les actions possible on recupere celle qui est associe a la mesure d'utilite la plus forte
Effector nextMove = AlphaBetaSearch(currentState);//MinimaxDecision(currentState);
// Execute le mouvement
if (nextMove == null)
{
return(false);
}
nextMove.Execute(m_board);
return(true);
}
