正文

PokeMMon：用 MiniMax 算法重现初代宝可梦对战的 AI 项目

一个使用 Python 和 PyGame 开发的初代宝可梦对战系统复刻项目，实现了 MiniMax、Alpha-Beta 剪枝和 ExpectiMax 等 AI 算法来控制对手行为。

宝可梦MiniMaxAlpha-Beta剪枝ExpectiMax游戏AIPyGame博弈论Python

发布时间 2026/05/30 00:15最近活动 2026/05/30 00:22预计阅读 3 分钟

章节 01

导读 / 主楼：PokeMMon：用 MiniMax 算法重现初代宝可梦对战的 AI 项目

一个使用 Python 和 PyGame 开发的初代宝可梦对战系统复刻项目，实现了 MiniMax、Alpha-Beta 剪枝和 ExpectiMax 等 AI 算法来控制对手行为。

章节 02

原作者与来源

原作者/维护者：nebuchadneZZar01 (Michele Ferro)
来源平台：GitHub
原始标题：PokeMMon: Pokémon battles simulator, with the use of MiniMax-Type algorithms
原始链接：https://github.com/nebuchadneZZar01/PokeMMon
发布时间：持续更新

章节 03

项目背景

PokeMMon 是一个为人工智能课程开发的学术项目，旨在通过经典游戏场景实践博弈论和搜索算法。项目复刻了第一代宝可梦游戏（红/蓝/黄版）的战斗系统，并融入第二世代（金/银/水晶版）的一些优化和 Bug 修复。

所有使用的素材（角色、音效、图像和创意）版权归 The Pokémon Company、Nintendo、Game Freak 和 Creatures Inc. 所有。

章节 04

游戏引擎

项目使用 Python 3.10+ 和 PyGame 模块开发，提供了完整的图形化对战界面。玩家可以在熟悉的宝可梦战斗场景中体验与 AI 对手的策略博弈。

章节 05

AI 算法实现

项目的核心亮点是实现了三种 MiniMax 类型的博弈算法：

1. MiniMax（基础版）

经典的极小化极大算法，通过递归遍历游戏树，假设对手也会选择最优策略，从而做出当前局面下的最佳决策。

2. Alpha-Beta 剪枝

在 MiniMax 基础上加入剪枝优化，通过维护 alpha（己方最优值）和 beta（对手最优值）两个边界，剪掉不可能影响最终决策的分支，显著提升搜索效率。

3. ExpectiMax

针对存在随机因素（如技能命中率、暴击判定）的游戏场景，ExpectiMax 在决策节点之外引入机会节点，计算期望效用值而非确定性的极值，更适合处理带有概率性的游戏状态。

章节 06

环境准备

确保系统已安装 Python 3.10 或更高版本，然后通过 pip 安装依赖：

pip install pygame

章节 07

运行游戏

克隆仓库后，在项目根目录运行：

python main.py

章节 08

命令行参数

项目支持多种自定义选项：

usage: main.py [-h] [--ai AI] [--depth DEPTH] [--s S]

options:
  -h, --help     显示帮助信息
  --ai AI        AI 算法选择 [random/minimax/alphabeta/expectimax]，默认 minimax
  --depth DEPTH  搜索树最大深度，默认 7
  --s S          音效开关 [Y/n]，默认开启