# Додаток G. Лістинги коду ШІ

Цей додаток містить спрощені лістинги ключових алгоритмів штучного інтелекту, використаних для аналізу та гри в Aether Neutral 4×4. Код наведено на Python для наочності, але в реалізації гри використовується JavaScript/React.

## G.1. Представлення стану

```python
class GameState:
    def __init__(self, board, owner, cp, move_count):
        self.board = board          # list of int (0..15) of length 16
        self.owner = owner          # list of int (0/1/EMPTY) of length 16
        self.cp = cp                # 0 or 1 (player to move)
        self.move_count = move_count  # moves without merge

    def hash(self):
        # Zobrist hashing for transposition table
        pass
```

## G.2. Мінімакс з альфа-бета відсіченням

```python
def minimax(state, depth, alpha, beta, maximizing):
    if depth == 0 or state.winner is not None:
        return evaluate(state)

    if maximizing:
        max_eval = -inf
        for move in state.legal_moves():
            new_state = state.apply(move)
            eval = minimax(new_state, depth-1, alpha, beta, False)
            max_eval = max(max_eval, eval)
            alpha = max(alpha, eval)
            if beta <= alpha:
                break
        return max_eval
    else:
        min_eval = inf
        for move in state.legal_moves():
            new_state = state.apply(move)
            eval = minimax(new_state, depth-1, alpha, beta, True)
            min_eval = min(min_eval, eval)
            beta = min(beta, eval)
            if beta <= alpha:
                break
        return min_eval
```

## G.3. Евристична оцінка позиції

```python
def evaluate(state):
    score = 0
    for i in range(16):
        mask = state.board[i]
        if mask == 0: continue
        w = bin(mask).count('1')
        # вага
        score += w * w
        # загрози
        for t in targets[i]:
            other = state.board[t]
            if other == 0: continue
            if (mask | other) == FULL_MASK:
                score += 50000  # переможне злиття
            elif bin(mask | other).count('1') == 3:
                score += 2500   # потенційна загроза
    # бонус за порожні клітинки
    empty_count = state.board.count(0)
    score += empty_count * 5
    return score
```

## G.4. MCTS (Monte Carlo Tree Search) – псевдокод

```python
class MCTSNode:
    def __init__(self, state, parent=None):
        self.state = state
        self.parent = parent
        self.children = []
        self.visits = 0
        self.value = 0.0

def ucb1(node):
    return node.value / node.visits + sqrt(2 * log(node.parent.visits) / node.visits)

def mcts(root, iterations):
    for _ in range(iterations):
        node = root
        # selection
        while node.children and node.state.winner is None:
            node = max(node.children, key=ucb1)
        # expansion
        if node.state.winner is None and not node.children:
            for move in node.state.legal_moves():
                new_state = node.state.apply(move)
                node.children.append(MCTSNode(new_state, node))
            if node.children:
                node = random.choice(node.children)
        # simulation (rollout)
        result = simulate(node.state)
        # backpropagation
        while node:
            node.visits += 1
            node.value += result
            node = node.parent
    return max(root.children, key=lambda n: n.visits).move
```

## G.5. Генерація ходів коня на торі

```python
def knight_targets(sz, x, y):
    vectors = [(2,1),(2,-1),(-2,1),(-2,-1),
               (1,2),(1,-2),(-1,2),(-1,-2)]
    res = []
    for dx, dy in vectors:
        nx = (x + dx) % sz
        ny = (y + dy) % sz
        res.append((nx, ny))
    # remove duplicates (only needed for sz=4)
    return list(set(res))
```

## G.6. Приклад використання

```python
# Ініціалізація
state = GameState.initial(4, 4)  # 4×4, 4 types
ai = AI(minimax_depth=3)
best_move = ai.choose_move(state)
print(f"Best move: {best_move}")
```

## G.7. Примітки

* Наведені лістинги є спрощеними; повна реалізація включає Zobrist хешування, симетрії, адаптивну глибину та обмеження за часом.
* Код доступний у репозиторії `aether-tour/src/ai/`.

***

*Кінець додатку G.*


---

# Agent Instructions: Querying This Documentation

If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question.

Perform an HTTP GET request on the current page URL with the `ask` query parameter:

```
GET https://nautilus-3.gitbook.io/subit64/aether-tour/docs/compedium/appendices/g_ai_code_listings.md?ask=<question>
```

The question should be specific, self-contained, and written in natural language.
The response will contain a direct answer to the question and relevant excerpts and sources from the documentation.

Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.