معرفی شرکت ها

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

توضیحات

A simple implement for MCTS algorithm.

ویژگی	مقدار
سیستم عامل	OS Independent
نام فایل	PyMCT-1.1.4
نام	PyMCT
نسخه کتابخانه	1.1.4
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	-
ایمیل نویسنده	Yifei Ren <ryf0510@live.com>
آدرس صفحه اصلی	-
آدرس اینترنتی	https://pypi.org/project/PyMCT/
مجوز	-

# PyMCT This is a simple implement for Manto Carlo Tree Search algorithm. # Install pip install --upgrade PyMCT ## Example This is a example for searching a randomly generated tree, each transcation to a new state is given with random reward. Import moudles: from random import randint from PyMCT.MCT import MCTNode, MCTS, State create the test case: class Test: _root:MCTNode _MCTS:MCTS def __init__(self, root_state:int, c:int=2, max_iter:int=10): root_state = State(root_state) self._root = MCTNode(state=root_state) #Set the serach with max iteration and max tree heights self._MCTS = MCTS(self.root,c=c,max_iter=max_iter, max_height=2, debug=True) #Always return a random reward. Note that the function must take one MCTNode as argument, and return a value. def reward_func(slef, node:MCTNode): return randint(0, 10) #Randomly expand the tree with new node. Note that the function must take one MCTNode as argument, and return a list of new states. def discover_func(self, node:MCTNode): new_states = list() for i in range(randint(1,10)): new_states.append(State(i)) return new_states def run(self): #Pass in the reward and discover function, start the algorithm! self.MCTS.iterate(self.reward_func, self.discover_func) #Find the optimal path. self.MCTS.find_optimal_path() #Display the tree, Note that if no tag is given to MCTNode, a random tag will be generated and display here. self.MCTS.render_tree() #Print the oprimal path. This is the list of MCTNodes. print(self.MCTS.optimal_path) @property def root(self): return self._root @property def MCTS(self): return self._MCTS run the test: if __name__ == '__main__': test = Test(0) test.run()

نیازمندی

مقدار	نام
-	anytree

زبان مورد نیاز

مقدار	نام
>=3.7	Python

نحوه نصب

نصب پکیج whl PyMCT-1.1.4:

pip install PyMCT-1.1.4.whl

نصب پکیج tar.gz PyMCT-1.1.4:

pip install PyMCT-1.1.4.tar.gz