AI-Lab：用Python实现的经典AI与搜索算法框架

AI-Lab 是一个用 Python 从零构建的经典人工智能与搜索算法框架，其设计目标是让算法的学习与研究更加直观和模块化。该项目以面向对象的方式组织代码，将问题域（Domain）与求解器（Solver）清晰分离，开发者只需实现相应的抽象接口，即可快速接入新的问题或算法。仓库内置了统一的命令行入口 main.py，用户可以通过交互式菜单浏览并运行所有演示，同时支持通过命令行参数选择算法、游戏模式和可视化开关。

框架覆盖了四大类 AI 经典问题。在图搜索与路径规划方面，提供了迷宫 A* 搜索、八数码、罗马尼亚地图路线规划、推箱子等演示；在局部搜索与连续优化方面，实现了旅行商问题的遗传算法和模拟退火，以及 N 皇后问题的遗传算法、局部束搜索、爬山法和模拟退火；在约束满足问题（CSP）方面，包含树分解、环割集、数独、地图着色、密码算术等案例；在对抗博弈方面，则支持井字棋、四子棋、奥赛罗、国际跳棋以及基于信息集 MCTS 的疯狂卡牌游戏。每个演示都配有 Pygame 可视化器，支持动态窗口缩放、自动播放、步进与重置等标准控制。

项目的架构设计非常清晰。核心抽象包括 SearchProblem、OptimizationProblem、CSPProblem 和 GameState，它们分别定义了搜索、优化、约束满足和博弈所需的基本接口。具体问题（如迷宫、N 皇后、数独、奥赛罗）继承这些抽象，而算法（如 A*、遗传算法、回溯、Minimax、MCTS）则作为独立的求解器运行。这种设计不仅便于理解和调试，也极大地方便了新算法的贡献与集成。

此外，AI-Lab 还提供了完整的基准测试与报告流水线。用户可以运行 benchmarks 模块中的脚本，对指定算法和领域进行多次迭代测试，并将原始数据保存为 CSV，再通过 generate_report 和 generate_markdown_tables 生成高清性能图表和 Markdown 格式的比较报告。这一功能使得算法效果评估和学术研究变得更加高效。

作为开源项目，AI-Lab 遵循 MIT 许可证，并欢迎社区贡献。添加新算法只需继承 SearchAlgorithm 并实现 search_step()，添加新游戏领域只需继承 GameState 并定义相应方法，添加新可视化器只需遵循标准 HUD 控制规范。无论你是初学者、视觉学习者还是资深研究者，这个项目都提供了一套完整而友好的工具链，帮助你深入理解经典 AI 算法的原理与实现。