MonteCarlo Hearts player 运行环境py3

1. 本程序是应用MonteCarloTreeSearch算法在红心大战中出牌。
   红心大战是非完备信息的博弈游戏，网上常见的代码都是在完备信息下的模拟，AI知道其他玩家的牌再进行搜索。本程序在其基础上进行修改，在本程序中的MonteCarlo模拟时其他玩家的牌的状态是未知的，使用encapsule将MonteCarloAI与正常的游戏隔离开，只提供接口函数来调用。

2. 文件 encapsule.py 将其他的类等封装了起来

3. 接口函数为encapsule里的 MonteCarloPlay

4. MonteCarloPlay 的参数如下：
   MonteCarloPlay(deck, history_self,history_A,history_B,history_C,history_P0,REPLAY=False):
   ____input:
   deck: 列表，当前玩家手中的牌，如： deck = [Card(point=7, suit=0),Card(point=10, suit=3),Card(point=11, suit=3)]
   history_self: 同deck列表，当前玩家已出的牌
   history_A: 同deck列表，玩家A已出的牌
   history_B: 同deck列表，玩家B已出的牌
   history_C: 同deck列表，玩家C已出的牌
   history_P0: 列表，每个回合第一个发牌的人的index。当前玩家:0, A:1, B:2, C:3 如：history_P0 = [0,1,1]表示第一回合是当前玩家先出的牌，第二回合玩家1先出的牌，第三回合还是玩家1先出的牌

   ____output:
   out_card: Card类型，选定的一张牌

5. 使用时需要导入的文件

   import collections
   Card = collections.namedtuple('Card', ['point', 'suit'])
   from encapsule import MontoCarlePlay
   

6. 当前每次运行时间为1s，可在Variables.py中修改该变量monteCarloTime

7. 可运行gameTest.py测试，该示例采用了1个MonteCarloPlay和3个规则玩家。

8. 对gameTest做5000次模拟测试的得分情况：
   
   

9. 提升点：

   1. MonteCarlo模拟中的选择的三个玩家的策略可以改进(在Player模块中添加不同的策略供play函数调用)
   2. 优化损失函数，在得分情况中优化全红的损失，一旦发现某些步骤效果差时就终止分裂