fbtree 1.1.0

A path-oriented database for storing and analyzing sequential decision paths

FiberTree (纤维树)

FiberTree 是一个灵活、可扩展的决策路径管理和分析库，专为序列决策问题设计。它不仅仅是一个蒙特卡罗树搜索(MCTS)实现，更是一个完整的决策分析框架，能够帮助您存储、管理、分析和可视化决策路径。

主要特点

• 灵活的路径存储：支持内存和SQLite存储后端，满足不同的应用场景
• 统计分析：跟踪访问次数、胜率和其他关键指标
• 路径学习：根据历史数据识别最佳决策路径
• 可视化：支持文本和图形化可视化决策树
• 轻量级：核心设计简洁高效，易于集成
• 可扩展：模块化设计，易于定制和扩展

应用场景

FiberTree 适用于各种需要序列决策分析的场景：

• 游戏AI：棋类游戏、策略游戏的决策分析
• 用户行为分析：跟踪用户决策路径，发现行为模式
• 业务流程优化：分析不同决策路径的效果
• 风险评估：评估不同决策序列的风险和回报
• 推荐系统：基于历史路径推荐最佳下一步

安装

pip install fbtree

或者从源码安装:

git clone https://github.com/yourusername/fbtree.git
cd fbtree
pip install -e .

快速开始

基本用法

from fbtree import create_tree, Move

# 创建一个新的决策树
tree = create_tree()

# 开始一个新路径
tree.start_path()

# 添加一系列决策
tree.add_move(Move("左转"))
tree.add_move(Move("直行"))
tree.add_move(Move("右转"))

# 记录这个路径的结果
tree.record_outcome('success')

# 获取当前路径的统计信息
stats = tree.get_statistics()
print(stats)

分析最佳后续动作

# 从特定路径开始，分析最佳后续动作
starting_path = [Move("左转"), Move("直行")]
best_moves = tree.get_best_continuation(starting_path)

for move in best_moves:
    print(f"动作: {move['move']}, 胜率: {move['win_rate']}, 访问次数: {move['visits']}")

可视化决策树

# 以文本形式可视化树
visualization = tree.visualize(max_depth=3, output_format='text')
print(visualization)

# 保存图形化可视化 (需要安装graphviz)
tree.visualize(max_depth=3, output_format='graphviz', output_file='my_tree.png')

核心概念

• Move：表示在决策序列中的一个单一决策或动作
• Fiber：代表决策树中的一个节点，包含统计信息和状态
• FiberTree：管理整个决策树的核心类，提供路径添加、查询和分析功能

文档

更详细的文档请参考 docs/ 目录或访问我们的在线文档。

示例

查看 examples/ 目录获取更多使用示例。

贡献指南

我们欢迎所有形式的贡献。请参阅 CONTRIBUTING.md 了解如何参与项目。

许可证

本项目采用 MIT 许可证。