vileshhhh/IDP-Project-Tactical-RL-Simulation-

# 基于强化学习的战术场景地面实体构造性仿真 AI 解决方案 本仓库包含我们在 BMS Institute of Technology & Management 第二学期开发的跨学科项目 (1BPRJ208) 的工作原型。该框架探索了从死板的、基于规则的计算机生成兵力 (CGF) 向自适应的、非确定性的强化学习智能体（agents）的转变。 ## 🎯 项目框架 传统的模拟训练严重依赖脚本化和硬编码的“If-Then”逻辑，这使得对抗实体完全可预测。本项目在定制的网格环境中实现了一个无模型（model-free）的 **Tabular Q-Learning** 引擎，用于训练战术地面智能体（例如步兵单位或车队车辆），使其能够动态导航地形、利用掩护点，并主动将来自巡逻威胁的风险降至最低。 ### 系统架构分解 1. **仿真环境：** 一个离散化的 $N \times N$ 网格，具有动态地形数值映射，用于区分“开阔地形”与“战术掩体”位置。 2. **RL Agent 引擎：** 实现了经典的时间差分（temporal-difference）Bellman 更新规则，并结合了衰减的 epsilon-greedy 探索策略。 3. **控制接口：** 基于 Flask 构建的轻量级、交互式 Web 仪表板，可轻松配置参数、启动仿真窗口并记录训练指标。 ## ⚙️ 核心技术栈 * **语言环境：** Python 3.10+ * **数学与优化矩阵：** NumPy * **视觉渲染循环：** Pygame * **Web UI 封装框架：** Flask * **性能图表记录：** Matplotlib ## 📂 仓库结构 ``` ├── app.py # Main Flask server application & browser control endpoints ├── rl_env.py # Core Pygame environment matrix and Q-learning training iterations ├── requirements.txt # List of open-source library dependencies └── templates/ └── index.html # Frontend HTML control panel interface dashboard ```

标签：Flask, Pygame, Python, Q-Learning, 仿真框架, 强化学习, 无后门, 逆向工具