LRC_PREDICTOR：蒙特卡洛模拟与神经网络预测桌游胜率

探索如何利用蒙特卡洛模拟生成训练数据，并通过可变玩家数量的神经网络架构，实时预测Left Right Center桌游中各玩家的获胜概率。

• 原作者/维护者： trevorhitchcock
• 来源平台： GitHub
• 原始标题： LRC_PREDICTOR
• 原始链接： https://github.com/trevorhitchcock/LRC_PREDICTOR
• 发布时间： 2026年6月10日

---

Left Right Center（LRC）是一款经典的骰子桌游，玩家通过掷骰子决定筹码的流向——传给左边玩家、右边玩家，或放入中央奖池。游戏的随机性使得预测获胜概率变得复杂而有趣。

LRC_PREDICTOR项目正是针对这一挑战——它通过蒙特卡洛模拟生成大量游戏状态数据，训练神经网络来快速预测任意棋盘状态下的各玩家获胜概率。这种方法将原本需要数千次模拟才能估计的概率，压缩到神经网络的单次前向传播即可完成。

---

项目遵循标准LRC规则：

• 每位玩家初始拥有3个筹码
• 玩家回合掷骰子数量：min(3, 当前筹码数)
• 骰子六面：L（左）、R（右）、C（中）、点、点、点
  • L：将一个筹码传给左边玩家
  • R：将一个筹码传给右边玩家
  • C：将一个筹码放入中央奖池
  • 点：保留筹码
• 筹码为0的玩家跳过回合，但仍可接收筹码
• 当仅剩一位玩家持有筹码时游戏结束

棋盘状态由两部分构成：

chips = [玩家0筹码, 玩家1筹码, ..., 玩家n筹码]
current_player = 当前玩家索引

例如：chips = [0, 0, 1, 0, 0, 0, 2], current_player = 2

这表示：7位玩家中，玩家2有1个筹码，玩家6有2个筹码，其余玩家为0，当前是玩家2的回合。

---

对于每个随机生成的棋盘状态，项目运行数千次模拟游戏来估计真实的获胜概率。这些模拟结果被用作神经网络的训练标签。

示例输出：

玩家0: 24.37%
玩家1: 13.65%
玩家2: 10.54%
玩家3: 11.01%
玩家4: 10.95%
玩家5: 11.61%
玩家6: 17.87%

项目的核心创新在于可变玩家神经网络架构。不同于固定输入向量的传统方法，该架构为每位玩家生成独立的特征行：

棋盘状态
    ↓
每位玩家一个特征行
    ↓
共享神经网络
    ↓
每位玩家一个得分
    ↓
Softmax归一化
    ↓
每位玩家的获胜概率

这种设计使单一模型能够处理4至8位玩家的游戏，无需为不同玩家数量训练独立模型。

---

每位玩家的特征行包含13个精心设计的特征：

特征名称	含义
player_chips_divided_by_starting_chips_per_player	玩家筹码相对于初始筹码的比例
player_share_of_remaining_chips	玩家在剩余筹码中的占比
left_neighbor_chips_divided_by_starting_chips_per_player	左邻筹码比例
right_neighbor_chips_divided_by_starting_chips_per_player	右邻筹码比例
is_current_player	是否为当前回合玩家
turns_until_player_normalized	距离该玩家回合的归一化轮数
total_chips_remaining_divided_by_total_starting_chips	剩余筹码占总初始筹码比例
max_chips_any_player_divided_by_starting_chips_per_player	最高筹码玩家比例
num_players_normalized	玩家数量归一化
num_players_with_chips_normalized	有筹码玩家数归一化
is_player_alive	玩家是否仍在游戏中
player_has_exactly_one_chip	玩家是否恰好有1个筹码
only_two_players_have_chips	是否仅剩两位玩家有筹码

这些特征帮助模型理解：

• 每位玩家的筹码状况
• 距离下次出手的远近
• 当前是谁的回合
• 还有多少玩家存活
• 游戏进展阶段
• 邻位筹码分布
• 特殊残局情况

---