结对编程作业
结对编程作业
一、开头
博客链接
Github项目地址 ✌️
具体分工
| AI算法 | 大比拼 | 原型设计 | GUI | 博客编写 | Github | |
|---|---|---|---|---|---|---|
| 魏荣峰 | ✔ | ✔ | ✔ | ✔ | ✔ | |
| 卓越 | ✔ | ✔ |
二、原型设计
设计说明
该原型展示了图片华容道小游戏的部分基本功能与页面，采用MockingBot0.7.8进行原型设计。
游戏中会将原始字符图片平均切割成九个部分，并抠掉一张图当空格。此时图片为原始状态。游戏开始时会将小图顺序打乱，用户通过点击鼠标进行移动小图，直到将打乱的图片恢复至原始状态上即可完成游戏。
原型中的主页面即为进入游戏后的初始页面。中间的图片为所提供的所有字符图片的原图。下方有开始游戏和游戏介绍两个可点击项。用户可以通过点击第一项开始游戏、点击第二项查看该游戏的基本介绍、点击第三项查看排行榜，点击第四项查看历史得分
点击Introduction，进入到游戏介绍的页面。用户可在该页面查看游戏规则。阅读完毕后，用户可通过点击下方Back返回项返回到主页面。
回到主页面。用户点击开始游戏项，可以开始游戏，进入到游戏开始后的初始状态，页面中为被切割并打乱的字符图片。用户通过点击空白两侧的小图片进行图片移动。页面上方有退出项，用户可以点击退出返回到主页面。页面右侧的悬浮框会记录当前移动步数，初始为0。移动到一定步数的时候，系统会强制调换此时棋盘上的两个格子，由于此时棋盘不一定有解，玩家有一次自由调换的机会，可选择调换任意两个图片的位置，该权利仅在棋盘无解的情况下使用，且需紧接着强制调换的操作
成功复原图片后，游戏结束。页面上方会出现提示游戏结束的相关字样。用户可以选择点击重新开始项重新开始游戏，或者点击返回项回到主页面。
点击主页Rank，进入排行榜页面，可查看历史玩家得分的排行情况。
点击主页History Score，可查看各玩家历史得分情况。
原型开发工具
采用的原型开发工具为MockingBot0.7.8。
结对的过程
结对的过程：在团队项目小组内进行结对。
结对照片：
遇到的困难
由于之前没有接触原型设计和相关的开发工具，在熟悉Mockingbot工具方面花费了较多的时间。好在Mockingbot是中文版的开发工具，上手难度较低。通过观看网上的一些教程，对一些基本功能有了初步的了解。
在设计页面点击和切换功能的时候，由于对开发工具不够熟悉，不知道如何实现该功能，后来发现只要通过拖拽具体模块旁边的闪电标志，连接到具体页面即可实现该功能。同时也学会了使用其他的一些操作，但是界面的美观度还有待提高，希望在以后的原型设计中能够有所改进。
三、AI与原型设计实现
1、代码实现思路
-
网络接口的使用
获取数据：
通过requests库get到url中的json格式数据，并用
eval()转换为列表便于提取def interfaceJson(name): te = requests.get("http://47.102.118.1:8089/api/problem?stuid=041801420") te = eval(te.text) img = base64.b64decode(te['img']) step = te['step'] swap = te['swap'] uuid = te['uuid'] with open(name + '.png', 'wb') as f: f.write(img) f.close() print("get test image successfully") print("saved to : ", './' + name + '.png') return step, swap, uuid提交结果：
通过requests库的post函数提交结果，并得到返回的测试结果
def post(uuid, operation, swap): postUrl = 'http://47.102.118.1:8089/api/answer' swap[0] += 1 swap[1] += 1 datas = { "uuid": str(uuid), "answer": { "operations": str(operation), "swap": swap } } s = json.dumps(datas) print(s) headers = {'Content-Type': 'application/json'} r = requests.post(url=postUrl, headers=headers, data=s) print(r.text) -
代码组织与内部实现设计（类图）
-
关键算法流程图
A star
-
我认为有价值的代码块
1️⃣根据图片像素不变的属性对于缺了1/9的图片来说，即使将其打乱，这张图片的像素值仍然是不变的；
在此前，前提得到了所有36种字母的
childs（也就是把每张图片都分别生成9张childs，分别在1-9这九个位置设置空白格），在函数countImgs()中，算出每张图像的平均像素值，由此作为该字母's child的索引，从而定位到某一个child，再通过取余确定原图。由以下代码可以得到所有字母的所有缺块情况图片的索引，数据保存在./childIndex.txt，据此我们将实现快速识别出测试图片是哪个字母。
def countImgs(folderPath): """ 注意：由于采用的是img[:, :, 0].mean()，速度较快，仅用于映射识别到原图像 制作索引映射集合,已通过验证，请不要修改此函数 :param folderPath: 输入一个文件夹路相对径--'./child/' :return: 计算出child文件夹内所有子文件夹下的所有字母（不同形态空白）的像素均值 采用img[:, :, 0].mean()，目的是标记每一张图片，作为索引 example: countImgs('./child/') """ with open(folderPath + '/childIndex.txt', 'a+', encoding='utf-8')as text: root_dir = folderPath sub_list = os.listdir(root_dir) for folder in sub_list: print(folder) if folder.split('.')[-1] == 'txt': continue img_list = os.listdir(os.path.join(root_dir, folder)) for img_name in img_list: if img_name.split('.')[-1] != 'png' and img_name.split('.')[-1] != 'jpg': continue img_path = os.path.join(root_dir, folder, img_name) print(img_path) img = cv2.imread(img_path) text.write(str(img[:, :, 0].mean()) + '\n') print("index:", str(img[:, :, 0].mean())) text.close()2️⃣同样根据像素的原理，我们对每一张test的图片进行切割，分成9份，找到的原图进行一一比对并且与之前，将原图按12345678顺序编码，白块固定编码为0，由此映射到test图片，得到test图片对应编码
根据原图和test图片的编码，我们就可以开始A * 算法进行路径搜索
def getSequence(): step, swap, uuid = interfaceJson('test') testIndex = countImg('./test.png') # origImgPath -> ./child\A_ (2)\_sub7.png origImgPath = str(mapped(testIndex)) # countImg('./child/O_/_sub8.png') clip('./test.png') # 因为origImgPath是os.path.join生成的，并不全是相对路径的/，所以不能直接用clip函数中自带的split方法 clip(origImgPath.replace('\\', '/')) testBlocks = count("./imgsClipped/test") origBlocks = count('./imgsClipped/' + str(origImgPath).split('\\')[-1].split('.')[0]) origT = [] testT = [] cnt = 1 for item in origBlocks: if item == 255: origT.append(0) else: origT.append(cnt) cnt += 1 # print(origT) for item in testBlocks: testT.append(origT[origBlocks.index(item)]) print("orig: ", origT, '\n', "test:", testT) print("swap at steps:", step) swap[0] -= 1 swap[1] -= 1 print("to be swap:", swap) return origT, testT, step, swap, uuid3️⃣搜索核心：A star算法
def AStar(init, goal): # 边缘队列初始已有源状态节点 size = int(9 ** 0.5) start = tuple(init) process = list([]) target = tuple(goal) # 优先队列，值越小，优先级越高 pQueue = PriorityQueue() pQueue.put([0 + calDistance(start, size), start, start.index(0), 0, process]) seen = {start} # 已遍历过的结点 while not pQueue.empty(): _pri, board, pos0, depth, process = pQueue.get() if board == target: return depth, process for d in (-1, 1, -size, size): # 对应的是左右上下的相邻结点 nei = pos0 + d if abs(nei // size - pos0 // size) + abs(nei % size - pos0 % size) != 1: continue if 0 <= nei < size ** 2: # 符合边界条件的相邻结点 newboard = list(board) newboard[pos0], newboard[nei] = newboard[nei], newboard[pos0] newt = tuple(newboard) if newt not in seen: # 没有被遍历过的状态 seen.add(newt) # pQueue.put([depth + 1 + 2 * self.calDistance(newt), newt, nei, depth + 1, process + [d]]) pQueue.put( [depth + 1 + 0.9 * calDistance(newt, size), newt, nei, depth + 1, process + [d]]) # 调整启发函数的权重可以缩短时间但增加步数 -
字母识别思路
1、首先将所有字母图片预处理：
2、对每一个字母_subx 计算相应像素均值，存入txt文档，此后得到的测试图片只需用同样的方法计算像素均值即可快速找到原图
-
性能分析与改进
这是原本采用BFS的性能图描述（在A*中设置启发值为0）
测试耗时长达5s+
-
描述你改进的思路
在BFS搜索算法中，如果能在搜索的每一步都利用估价函数f(n)=g(n)+h(n)对Open表(队列）中的节点进行排序，则该搜索算法为
A*算法。由于估价函数中带有问题自身的启发性信息，因此，A*算法又称为启发式搜索算法，可以大大减少搜索时间。 -
性能分析图和程序中消耗最大的函数
-
测试
利用测试组的接口进行测试，以下给出其中一组logC:\Users\Breeze\AppData\Local\Programs\Python\Python37\python.exe C:/Users/Breeze/Desktop/soft_engi/Eight_puzzle/eightPuzzle/interface.py get test image successfully saved to : ./test.png 73.9265975308642 31 The original image is : ./child\b_ (2)\_sub5.png ./imgsClipped/test/ (900, 900) ./imgsClipped/_sub5/ (900, 900) ./imgsClipped/test\1.jpg ./imgsClipped/test\2.jpg ./imgsClipped/test\3.jpg ./imgsClipped/test\4.jpg ./imgsClipped/test\5.jpg ./imgsClipped/test\6.jpg ./imgsClipped/test\7.jpg ./imgsClipped/test\8.jpg ./imgsClipped/test\9.jpg ./imgsClipped/_sub5\1.jpg ./imgsClipped/_sub5\2.jpg ./imgsClipped/_sub5\3.jpg ./imgsClipped/_sub5\4.jpg ./imgsClipped/_sub5\5.jpg ./imgsClipped/_sub5\6.jpg ./imgsClipped/_sub5\7.jpg ./imgsClipped/_sub5\8.jpg ./imgsClipped/_sub5\9.jpg orig: [1, 2, 3, 4, 0, 5, 6, 7, 8] test: [1, 8, 3, 0, 4, 5, 6, 7, 2] swap at steps: 3 to be swap: [0, 1] [[1, 8, 3], [0, 4, 5], [6, 7, 2]] [[1, 2, 3], [4, 0, 5], [6, 7, 8]] 无解 进入强制交换 After being swapped: [8, 1, 3, 0, 4, 5, 6, 7, 2] (ai)temp_IN: 12 搜索中： 搜索成功，循环次数： 3198 第 1 步： MoveRight 启发值为： 1 + 14 [8, 1, 3] [4, 0, 5] [6, 7, 2] 第 2 步： MoveDown 启发值为： 2 + 14 [8, 1, 3] [4, 7, 5] [6, 0, 2] 第 3 步： MoveRight 启发值为： 3 + 12 [8, 1, 3] [4, 7, 5] [6, 2, 0] 第 4 步： MoveUp 启发值为： 4 + 14 [8, 1, 3] [4, 7, 0] [6, 2, 5] 第 5 步： MoveLeft 启发值为： 5 + 16 [8, 1, 3] [4, 0, 7] [6, 2, 5] 第 6 步： MoveDown 启发值为： 6 + 14 [8, 1, 3] [4, 2, 7] [6, 0, 5] 第 7 步： MoveLeft 启发值为： 7 + 14 [8, 1, 3] [4, 2, 7] [0, 6, 5] 第 8 步： MoveUp 启发值为： 8 + 16 [8, 1, 3] [0, 2, 7] [4, 6, 5] 第 9 步： MoveUp 启发值为： 9 + 16 [0, 1, 3] [8, 2, 7] [4, 6, 5] 第 10 步： MoveRight 启发值为： 10 + 14 [1, 0, 3] [8, 2, 7] [4, 6, 5] 第 11 步： MoveDown 启发值为： 11 + 12 [1, 2, 3] [8, 0, 7] [4, 6, 5] 第 12 步： MoveLeft 启发值为： 12 + 12 [1, 2, 3] [0, 8, 7] [4, 6, 5] 第 13 步： MoveDown 启发值为： 13 + 10 [1, 2, 3] [4, 8, 7] [0, 6, 5] 第 14 步： MoveRight 启发值为： 14 + 10 [1, 2, 3] [4, 8, 7] [6, 0, 5] 第 15 步： MoveUp 启发值为： 15 + 10 [1, 2, 3] [4, 0, 7] [6, 8, 5] 第 16 步： MoveRight 启发值为： 16 + 8 [1, 2, 3] [4, 7, 0] [6, 8, 5] 第 17 步： MoveDown 启发值为： 17 + 6 [1, 2, 3] [4, 7, 5] [6, 8, 0] 第 18 步： MoveLeft 启发值为： 18 + 8 [1, 2, 3] [4, 7, 5] [6, 0, 8] 第 19 步： MoveUp 启发值为： 19 + 8 [1, 2, 3] [4, 0, 5] [6, 7, 8] ['d', 's', 'd', 'w', 'a', 's', 'a', 'w', 'w', 'd', 's', 'a', 's', 'd', 'w', 'd', 's', 'a', 'w'] {"uuid": "59a45b91-7300-4e8b-ac46-890309a0ee22", "teamid": 56, "token": "c5b0346e-1a39-43d1-86e2-b643fd15c818", "answer": {"operations": "dsdwasawwdsasdwdsaw", "swap": [1, 2]}} {"owner":56,"rank":1,"step":19,"success":true,"timeelapsed":866}
2、GitHub签入信息
 |
 |
3、遇到的代码模块异常或结对困难及解决方法
-
问题描述
说来话长,挑几个最痛苦的异常一吐为快：
🅰️最早的时候想，c++的速度应该会比python慢很多，假若大家都用python，而我用c++，应该可以在速度上跑出优势。国庆花了一天弄出c++代码，眼看调试出正确路径挺开心，那么如何将python与c++接口连接🔗呢？
🅱️为什么大比拼的测试总是得到false？明明手动移的方块都是正确的？？
🎈图像处理库的使用，第一次计算像素的时候不知道为什么没有一个能对的上值的，但是原理上显然不应该，一张图片只是打乱了，像素均值怎么可能会发生变化？百思不得其解，期间还去咨询了学长，学长说不该会变，顺便推荐我整一个神经网络来识别，emmm，其实我觉得这样打乱了的图片应该拟合不了吧？
-
解决尝试
🅰️了解了ctypes库的使用，然而不知道什么原因，在Windows上python总是无法成功调用，只能采用Linux
🅱️在一遍遍的手动模拟之下，眼睛都看花了。。最后咨询了测试组才知道，规则没有理解正确，所以算法是完全错误的。
🎈随机字母图像的识别必然少不了PIL和opencv，因为要用到图片的切割，还有像素值的计算。想到后面肯定也得用到九小块的图片像素来做序号编列，干脆就先写一个clip函数切分开了，结果出乎意料。
-
是否解决
🅰️首先，在编译上我觉得是我系统的问题，经常在安装python包的时候如果需要使用到vs16（好像是这个）编译得到whl的我都会报错，即使我安装了全套vs2015和2019。后面越来越觉得用c++实在不现实，幸好提前退水改用python，不然后面这么多规则怎么改的过来。
🅱️对于我来说，时间实在是有点紧迫，直到AI大比拼的第三天我才知道规则没有理解正确
个人认为，这里的step表示第几步进行强制交换，那应该是走了step-1步以后到了即将走第step步时交换呢，还是走完step步了在第step步的时候做交换？可能是我语文水平的问题
🎈在clip完之后，bug终于浮出水面，发现实际上只有1/9的图片是对应不上值的，而这张图片恰好是在白块的边缘，这让我恍然大悟，显然是切割白块的时候出了问题，多测试几张发现，不是白块左边缘的一块图片像素值不对就是下边缘的像素值不对，------我又相信真理了------，那不就是切片从0开始计数，所以边界上多了1个单位，故将右边界、下边界各-1，再次运行，果然成功了！
-
有何收获
读懂规则确实重要。虽然说很多的消息都是在群里流水账一般源源不断，但总得静下心来，仔细阅读一番，才能明确方向，而不是一直按照自己的理解。
最后一天才写出能在大比拼中每submit每true的代码，可能也是不想留遗憾吧，一方面不希望之前的努力付之东流，因为我很清楚其实离成功很近，只是规则上没有完全理透，然而另一方面来说，其实还是很遗憾，最后一天已经改变不了多少分数了，即使我这三天都没有改代码，用之前旧版的代码也能rank20-40，功利上来说确实亏了。
4、评价队友
- 值得学习的地方
做事踏实，原型设计界面和功能实现的很完善。
- 需要改进的地方
希望以后能多交流，这也是我的不足之处，组员之间的有效沟通是化解问题的必经之路。
5、PSP
PSP表格
| PSP2.1 | Personal Software Process Stages | 预估耗时（分钟） | 实际耗时（分钟） |
|---|---|---|---|
| Planning | 计划 | ||
| Estimate | 估计这个任务需要多少时间 | 20 | 50 |
| Development | 开发 | ||
| Analysis | 需求分析 (包括学习新技术) | 120 | 260 |
| Design Spec | 生成设计文档 | 60 | 60 |
| Design Review | 设计复审 | 20 | 30 |
| Coding Standard | 代码规范 (为目前的开发制定合适的规范) | 60 | 30 |
| Design | 具体设计 | 150 | 80 |
| Coding | 具体编码 | 400 | 500 |
| Code Review | 代码复审 | 90 | 60 |
| Test | 测试（自我测试，修改代码，提交修改） | 210 | 600 |
| Reporting | 报告 | ||
| Test Repor | 测试报告 | 30 | 180 |
| Size Measurement | 计算工作量 | 30 | 45 |
| Postmortem & Process Improvement Plan | 事后总结, 并提出过程改进计划 | 60 | 60 |
| Total | 合计 | 1430 | 1955 |
| 第N周 | 新增代码（行） | 累计代码（行） | 本周学习耗时(小时) | 累计学习耗时（小时） | 重要成长 |
|---|---|---|---|---|---|
| 1 | 400 | 400 | 6 | 6 | 熟悉python语言tkinter，pyqt特性 |
| 2 | 500 | 900 | 12 | 19 | c++，了解了ctype用法 |
| 3 | 400 | 1300 | 12 | 31 | 完成字母识别 |
| 4 | 800 | 2100 | 20 | 51 | 学习A star，完成AI算法，基本游戏界面 |
| 5 | 400 | 2500 | 8 | 59 | 改进AI算法，测试 |
四、最后的总结
一个月下来，主要工作量都集中在后半个月，时间安排极其不合理
双人组队，代码编程完全集中一人，原型设计完全集中一人，两人分工极其不合理
其实也算积累经验了，以前总是喜欢一个人做事情，所有的工作都按自己的节奏来完成。但是组队归组队，既然是组队了，就应当对双方都负有责任，工作量也应当分配适当。开设这门课的目的本身就是要让同学们获得多方面的能力提升，而不是某个人只负责代码，让另一个队友没有机会借此机会提高代码能力。
从最后AI大比拼的结果来看，我还是抱有很大的遗憾，由于起初没有弄清楚规则，在AI测试阶段的时候借口因手动模拟太累了，眼睛都看花了而草草了事，直到大比拼的第三天了才能勉强通过所有测试，然而所剩无几的chances已经无法挽回局面了。
希望在以后的团队项目里，不论是几个人组队，都应当有明确的分工，每人都应有明确的ddl，团结才是力量；另外就是对于规则上的东西，我确实经常忽略了qq群的信息，一连串的确实眼花缭乱，但既然是规则，就应当成为项目里的代码准则。
