3D游戏开发技术-第三章游戏开发中的人工智能题库.ppt

* * * * * * * * * 模糊逻辑的应用 将重心转移至物体属于某个集合的隶属程度上 在AI领域的主要应用为 决策 行为选择 输入、输出过滤 符合逻辑操作 设A,B,C均为U中的模糊集 模糊并 若对8x2U，均有?c=max(?A(x),?B(x))，则称C为A与B的模糊并 模糊交 若对8x2U，均有?c=min(?A(x),?B(x))，则称C为A与B的模糊交 例子 大约6英尺 长的高的人 归属度函数 与 或 非 模糊控制实例 举例：车辆驾驶 前提：两辆车之间不能相撞 在模糊逻辑中的实现： 用两个变量描述每一辆车 当前时刻，车与前面一辆车之间的距离d 当前时刻与前一时刻距离的差?d 模糊控制实例 If ?d=0且d=两个车位长，保持现有速度 If ?d0且d两个车位长，减慢速度 If ?d0且d两个车位长，加快速度 模糊的有限状态机 将模糊逻辑和有限状态机结合 状态之间的迁移不再是确定的 同时有多个状态 FSM FuSM 路径规划 状态 智能体在空间的位置 其他离散空间 体素 室内位置 局部区块（tile） 操作 从一个位置移动到其他位置 路径规划算法 必须对状态空间进行搜索，才能转移至目标状态 完全性 如果目标状态存在，算法是否能够将其找到？ 时间复杂度 空间复杂度 能够找到最优解 搜索策略 如何评价搜索算法 时间：多长时间能够找到解 找到的解是最优、次优还是其他 盲目搜索 没有先验知识 仅仅知道目标状态是什么 经验搜索 用经验公式表示拥有的先验知识 “经验”只能作相对简单、低级的决策 启发式图搜索过程 利用所处理问题的启发信息引导搜索，称为启发式搜索，可以达到减少搜索范围，降低问题复杂度的目的。 启发式图搜索算法A 基本思想：如果既考虑从起始节点到节点n的路径费用，又考虑从节点n到达目标节点的费用，即定义一个评价函数f，对当前的搜索状态进行评估，找出一个最有希望的节点来扩展。 其形式为：f (n)= g (n)+ h (n) n为被评价的节点。 用此函数来排列Open表中节点顺序的图搜索算法称为A算法。 最佳图搜索算法A* 在算法A中，当h(n)≤h*(n)时，我们把这个算法称为A*算法，A*算法具有如下的性质： 完备性：如果问题有解，则算法一定能找到解。 可采纳性：如果问题有解，则算法一定能找到最佳解。即算法总能找到一条从S到目标节点的最佳路径。 最优性：对两个算法A*算法A1和A2，若对所有非目标节点均有 h1(n)〈 h2(n)≤h*(n)则算法 A1展开的节点数目至少和A2一样多。（启发函数和A*算法的关系） 不同启发函数对比 下表为不同启发函数，应用A*算法求最佳解时所扩展和生成的节点数。 启发式函数的选取影响搜索效率。 A*路径规划 假设从A点移动到一墙之隔的B点，绿色的是起点A，红色是终点B，蓝色方块是中间的墙。 A*路径规划 f (n)= g (n)+ h (n) g(n)为从起点A沿着产生的路径，移动到网格上指定方格的移动耗费（水平或者垂直移动的耗费为10，对角线方向耗费为14） h(n)为从网格上那个方格移动到终点B的预估移动耗费（曼哈顿距离） A*路径规划 A*路径规划 AI设计技巧 对于行为简单的物体，使用简单的确定性AI技术 对于不是主要角色，但是需要一点智能行为的物体，可以对其设定几种模式，并加上一点随机的因素扰动即可 对于比较重要的角色，可以使用有限状态机技术，加上另外一些辅助技巧 对于最最重要的角色，你需要利用一切可能利用的技术 状态驱动，使用条件逻辑、概率、以及经历过的状态等控制状态转移 如果状态转移条件满足，物体要能够发生强制性状态转移动作 A*路径规划建议 使用更小的地图或者更少的寻路者。 不要同时给多个对象寻路。 路径规划的层次细节模型。 预处理地图。 平滑路径。 不规则区域。 神经网络 监督学习 输入学习样本，随机给定初始值，根据目标输出，使用反向传播算法对网络的权值和偏置进行反复的调整训练，使输出的向量与期望向量尽可能地接近，当网络输出层的误差平方和小于指定的误差时训练完成。 自动控制 感应到前方、两侧的障碍物作为输入，输出履带的移动。 威胁评估 以对方地面单位数量、空中单位数量、地面单位是否有移动机箱、空中单位是否有移动机箱等为输入，输出空中威胁、地面威胁、陆空威胁或者无威胁作为 攻击或者逃离 友军个数、敌人状况等 神经网络 遗传算法 遗传算法 模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型，是一种通过模拟自然进化过程搜索最优解的方法。 遗传算法 敌人的优化组合 场景的自动生成 游戏中防守/攻击位置的选择 路径规划 Thank You! * * * * * * 北京工业大学 第三章 游戏开发中的