猜拳预测辅助系统 (Rock-Paper-Scissors Predictor)

一个基于序列预测的「石头剪刀布」辅助 AI。它通过分析对手的历史出手习惯， 融合多种预测模型，给出下一局克制对手的推荐出手。

⚠️ 说明：若对手完全随机出拳，任何算法胜率都趋近于 33.3%，无法被预测。 本系统的价值在于识别有习惯 / 有模式的对手（如偏好某手、固定循环、受上一手影响）。

原理

系统同时使用三种互补的预测模型，并对它们融合投票：

模型	思路	适用场景
马尔可夫一阶转移	统计「上一手 → 这一手」的转移频率，预测下一手	对手受上一手影响
频率统计	预测对手最常出的手	对手有固定偏好
周期检测	检测对手是否按固定长度循环出拳	对手按循环模式

融合策略：三模型投票（少数服从多数）；平票时按置信度加权选择。 最终根据预测的对手出手，推荐能克制它的一手（win_map）。

转移矩阵使用 拉普拉斯平滑（np.ones((3,3)) 初始化），避免未见过的转移概率为 0。

安装

pip install -r requirements.txt

使用

python rock-paper-scissors.py

按提示输入对手的出手：

• 1 = 拳头
• 2 = 剪刀
• 3 = 布
• q = 退出

每局程序会输出：本局胜负、AI 预测的对手下一手、推荐的出手，以及累积统计。 历史记录会持久化到 rps_history.json。

评估 / 回测

evaluate.py 用多种模拟对手（随机、偏好、循环、马尔可夫依赖）对算法做回测， 报告胜率，验证算法在「有模式」的对手上显著优于随机基线（约 33.3% 的随机胜率）。

python evaluate.py

示例输出（seed=42, 各 2000 局）：

对手类型	预测AI胜率	随机基线	说明
完全随机	~33.6%	~33.3%	无模式，算法不占优（符合预期）
偏好出布(60%)	~66.8%	~33.3%	频率模型生效
固定循环(拳头→剪刀→布)	~99.8%	~33.3%	周期检测完美工作
一阶马尔可夫依赖	~47.9%	~33.3%	转移矩阵学习生效

结论：算法只在对手存在可学习模式时显著优于随机；面对完全随机的对手， 胜率收敛到理论值，不会过拟合或作弊。

文件结构

rock-paper-scissors.py   主程序（人机交互 + 预测核心）
evaluate.py              回测/评估脚本
rps_history.json         对局历史记录（自动生成）
requirements.txt         依赖
README.md                说明文档

License

MIT