智闯鬼屋

问题一

总体思路：第一步机器人猜想鬼所有可能的位置作为知识库第二步输入机器人的位置和寒意值，不断更新知识库第三步通过知识库来做决策，前进 or 停止

通过循环，遍历鬼的可能性，构建知识库
初始化幽灵，机器人。这里的幽灵和机器人是通过面向对象的编程来实现的，因为幽灵和机器人的特征明显，而且数据和函数封闭起来调用，会十分方便。具体的 Ghoust,,Robot 函数在文件 ghoust_robot.py 中

只要搜集的信息越多，知识库就越接近真实的鬼的位置。所以我让鬼走右、上、右、上这四步来到（3，3）,这样能使鬼探测的区域最大。为了方便写，直接将这四步路放进 way 的数组中 Select_ghoust 这个函数是用来更新知识库的，具体在文件coolanddead_imagineghoust.py 中

\4. 之后就可以自动走了，判断下一步是否会撞鬼或者越界，如果不撞的话，就可以走

这一步,直到机器人走到[6,6]； 5. 让机器人只能向右或者向上走是符合 A 星算法最优的，A 星算法实现起来不太容易，所以就直接让机器人只能向上或者向右走

\6. 最后写个函数打印路径即可最终结果输出路径（图比较长，所以分了三次截图）

总体思路：总体思路与第一步类似，只不过要多判断一下是否撞墙、是否陷入死角、是否进入老路

具体操作步骤： 1. 将图中的墙壁读入列表，为了方便调用与代码整洁，墙的初始化函数 wall()定义在 wall.py 文件中，方便调用。墙在两个房间之间，所以用 0.5 来确定墙壁的位置，比如

因为我的知识库是非常聪明的，不会出现被鬼卡两步的情况；因为鬼只有一种可能吃掉机器人，最坏的情况下，机器人停留一步就知道这个鬼是什么情况了，所以停留两步就一定是卡进了死胡同，那就让他退回去叭

\5. 然后记录所有的路径和时间耗散，排序，计算成功率，得到最短的两条路径

结果发现，这种方法成功率比较低，调试发现，这种方法容易停在沟沟角角，从而被鬼撞死，于是加入一个判断，就是如果停一步会死，那就保命要紧，哪个方向能走就往哪个方向跑

\7. 最终结果成功率变为了 1，但是平均路径耗散也大约提高了 1，

\8. 也许这就是要在时间与准确率之间权衡叭

问题三

问题三的总体思路：

然后将机器人的路径与鬼行走路径比对，如果有一个路径相同，那就是一条失败的路径 4. 将成功的路径添加进数组，然后排序 5. 得到路径耗散最低的一条路，打印出来这个方法非常笨拙，但是有了问题一问题二的基础，这种方法是最容易实现的

具体实现方法： 1. 初始化鬼和机器人的方法和问题一问题二相同

总结： 1. 我将函数打包成 py 文件，在写代码时直接 import 文件，这样使主函数行数非常少，而且更加简洁；但是打包时就要注意函数的编写，尽量让函数独立，这样可移植性才强

问题三解决的非常笨拙，使用的是运算时间空间换取求解效果的方法，A 搜索实现起来效果应该非常好，但是我尝试了并没有写成，所以还是采用第一版的暴力穷举法；以后有时间将 A 搜索开发出来。
1. 问题一与问题二解决的较好，主要是因为使用了知识库的推理。其中在编写代码过程中，最需要注意的是深层拷贝的理解，我就曾因为这个知识没能理解，浪费了 1 个小时的调试时间