游戏开发中的人工智能 复习
时间：2015-01-17 23:32:47
收藏：0
阅读：231
游戏开发中的人工智能 复习
(个人复习，一些仅是给自己的复习提示(=w=)，转载注明出处：http://blog.csdn.net/hcbbt/article/details/42815479)
配套教材：游戏开发中的人工智能
知识点
- 移动
- Bresenham,视线（略）,拦截
// Bresenham if (deltaCol > deltaRow) { fraction = deltaRow * 2 - deltaCol; while (nextCol != endCol) { if (fraction >= 0) { nextRow = nextRow + stepRow; fraction = fraction - deltaCol; } nextCol = nextCol + stepCol; fraction = fraction + deltaRow; pathRow[currentStep] = nextRow; pathCol[currentStep] = nextCol; currentStep++; } } else { fraction = deltaCol * 2 - deltaRow; while (nextRow != endRow) { if (fraction >= 0) { nextCol = nextCol + stepCol; fraction = fraction - deltaRow; } nextRow = nextRow + stepRow; fraction = fraction + deltaCol; pathRow[currentStep] = nextRow; pathCol[currentStep] = nextCol; currentStep++; } }
// 拦截，类似视线 void DoIntercept(void) { Vector u, v; Bool left = false; Bool right = false; Vector Vr, Sr, St; Double tc; Vr = Prey.vVelocity - Predator.vVelocity; Sr = Prey.vPosition - Predator.vPosition; tc = Sr.Magnitude() / Vr.Magnitude(); St = Prey.vPosition + (Prey.vVelocity * tc); u = VRotate2D(-Predator.fOrientation, (St - Predator.vPosition)); u.Normalize(); if (u.x < -_TOL) left = true; else if (u.x > _TOL) right = true; Predator.SetThrusters(left, right); } - 移动模式：
- 矩形
- 巡逻
- 仿真物理中的
- 群聚
- Reynolds基本群聚算法核心：凝聚规则、对齐规则、分隔规则。
- 邻近单位多少是由视野角度及视野半径为参数的函数决定的
- 避开障碍物思路：替每个单位在前方安装虚拟触角(feeler)，当触角碰到东西，则需要转向。
- 领头者
- 势函数
- Lenard-Jones势函数:
U = - A / (r^n) + B / (r^m) - 导数后：
F = - nA / (r^(n+1)) + nB / (r^(m+1)) - A、B可以分别作为引力和斥力的强度，n、m则分别代表这两个分力的衰减
- 应用:追逐/闪躲 避开障碍物 成群结队
- Lenard-Jones势函数:
- 路径寻找
- 基本路径寻找（略）
- 随机移动避开障碍物：优势
- 绕行障碍物：线段绕行，视线绕行
- 面包屑（breadcrumb） 1、初始化足迹数组 2、记录玩家位置 3、丢下面包屑 4、跟随面包屑
- 沿着道路走:根据权重走
- 航点寻径：节点表
- A*
听说A*不考- BFS + priority_queue (Open list & Closed list)
- 地形成本
- 影响力对应
- Bresenham,视线（略）,拦截
- 脚本AI及组成
- 脚本概述：为了简化某种特定程序的复杂任务而设计的一种编程语言。
- 组成：语言和引擎
- 堆栈机是脚本语言虚拟机技术中普遍采用的一种基本形式：虚拟机，堆栈和指令指针
- 实例：描述属性、行为、事件等。
- 有限状态机
- 基本概念
- 有限状态机是由状态（State）、变换（Transition）和行动（Action）组成的行为模型。有限状态机在初始状态（Start State）接收输入事件（Input Event）后转移到下一个状态。通过条件（Guard）判断是否符合转移条件。可以把一个有限状态机看成一个特殊的有向图。
- 图与程序转化
- 状态与转移函数：switch
- 基本概念
- 模糊逻辑
- 含义与本质
- 建立模糊性对象的数学模型，在[0，1]区间上取无穷多值的模糊集合
- 步骤
- 模糊化
- 通过模糊规则产生模糊输出
- 反模糊化
- 和布尔逻辑在运算时的不同：定义 步骤 归属函数 模糊公理 评估运算
- 在模糊化中运用
- 藩篱函数：改变归属度函数的形状
- 模糊公理
- 交集\联集\补集
- 反模糊化
- 寻找输出模糊集合所占面积的几何中心
- 单值输出归属度函数
- 含义与本质
- 规则式AI
- 规则系统的定义及其组成
- 把一组产生式放在一起, 让它们互相配合, 协同作用, 一个产生式生成的结论可以供另一个产生式作为前提使用, 以这种方式求得问题的解决, 这就叫规则（产生式）系统
- 产生式系统也可以算作是一种演绎系统。
- 形式:由一连串的if-then规则组成，用来做推论或行动决策。
- 规则系统有两个主要部分：工作记忆（事实和断言）和规则记忆
- 由三个部分组成: 一个综合数据库(数据基) 一组产生式规则(规则库) 一个控制系统(规则解释器)
- 演绎法
- 把规则和储存在工作记忆里的事实配对，做法是检查每条规则的if部分，是否和工作记忆里的某组事实和断言吻合。
- 冲突解决，检查所有吻合的规则，按照某种方式找出想要启动的规则。
- 当某种规则被选取后，启动该规则，即执行其then部分
- 归纳法
- 配对then部分
- 专家系统
- 规则系统的定义及其组成
-
概率论及贝叶斯技术
- 标准概率
- 就是古典概率：p=P(E)=n/N
- 贝叶斯网络及其组成
- 基于概率推理的图形化网络，可以替特定问题简明表示出随机变量间的关系。
- 贝叶斯网络由网络结构和条件概率表两部分组成。网络结构是一个有向无环图，由代表随机变量的节点，以及代表阴机变量间因果关系的弧或连线组成。
- 先验概率、后验概率和条件概率(癌症阴阳型)
- 先验概率：根据历史的资料或主观判断所确定的各种时间发生的概率
- 后验概率：通过贝叶斯公式，结合调查等方式获取了新的附加信息，对先验概率修正后得到的更符合实际的概率
- 条件概率：某事件发生后该事件的发生概率
- 条件概率公式、贝叶斯公式
- 条件概率公式：P(B|A)= P(B)P(A|B)/P(A)
- 贝叶斯公式：P(Bi|A)= P(Bi)P(A|Bi)/sum_(i=1~n){P(Bi)P(A|Bi)}
- 考点 癌症
- 推理方式
- 因果链 预测推理
- 共通成因网络 诊断推理
- 共通结果网络 解释消除
- 预测算法和诊断算法
- 输入：给定贝叶斯网络B（包括网络结构m个节点以及某些节点间的连线、原因节点到中间节点的条件概率或联合条件概率）给定若干个原因节点发生与否的事实向量F（或者称为证据向量）；给定待预测的某个节点t。
- 输出：节点t发生的概率。
- 预测算法
- 把证据向量输入到贝叶斯网络B中；
- 对于B中的每一个没处理过的节点n，如果它具有发生的事实（证据），则标记它为已经处理过；否则继续；
- 如果它的所有父节点中有一个没有处理过，则不处理这个节点；否则，继续下面的步骤；
- 根据节点n的所有父节点的概率以及条件概率或联合条件概率计算节点n的概率分布，并把节点n标记为已处理；
- 重复步骤（2）-（4）共m次。此时，节点t的概率分布就是它的发生/不发生的概率。算法结束。
- 诊断算法
- 把证据向量输入到贝叶斯网络B中；
- 对于B中的每一个没处理过的节点n，如果它具有发生的事实（证据），则标记它为已经处理过；否则继续；
- 如果它的所有子节点中有一个没有处理过，则不处理这个节点；否则，继续下面的步骤；
- 根据节点n所有子节点的概率以及条件概率或联合条件概率根据条件概率公式，计算节点n的概率分布，并把节点n标记为已处理；
- 重复步骤（2）-（4）共m次。此时，原因节点t的概率分布就是它的发生/不发生的概率。算法结束。
- 标准概率
-
神经网络
- 含义及结构
- 是对人脑或自然神经网络若干基本特性的抽象和模拟。
- “人工神经网络是由人工建立的以有向图为拓扑结构的动态系统，它通过对连续或断续的输入的状态相应的进行信息处理。”
- 特点：逼近非线性关系，鲁棒性和容错性，并行分布处理，学习和自适应，同时处理定量、定性知识。
- 结构：分为输入层(预测变量)、输出层(目标变量)和隐含层(处理)。
- 前馈神经网络
- 后一节点的值通过它前面相连的节点传过来，然后把值按照各个连接权重的大小加权输入活化函数再得到新的值，进一步传播到下一个节点。
- 发生错误时，神经网络就要 “学习”
- 可以把节点间连接的权重看成后一节点对前一节点的“信任” 程度
- 采用惩罚的方法进行权重的调整。
- 节点总输入值 = sum(前面节点的输入值 * 连接的权重) + 偏差项
- 用活化函数让输出更加非线性：logistic函数(S型函数),阶跃函数,双曲正切函数,线性活化函数
- 偏差项 = 偏差值 * 偏差权重。水平移动总输入值，有效改变神经元活化的阈值。
- 监督式学习网络和非监督式学习网络
- 监督式学习网络，从问题领域中提供训练范例，包含输入资料与输出资料。
- 无监督式学习网络，在学习时并不知道其分类结果是否正确
- 训练
- 训练的目标是找出连接所有神经元之值的权重，让输入层可以产生所需的输出值。
- 首先，需要一个训练数据集，由输入数据（和对应的输出数据）组成；
- 接着，利用某种技术，不断重复地替整个网络找出一组权重值，使得该网络可以产生符合训练数据集内，每组数据所要的输出结果；
- 最后，让网络启动，提供不在训练数据集内的新数据，使其产生合理的输出结果。
- 倒传递法及其过程
- 倒传递法的实质是用试误法把误差最小化。有了输入值以及产生的输出值后，把产生的输出值和已知想要的输出值作比较，用均方差量化二者之间的吻合度。
- 1.训练数据集
- 2.权重初值设为某些较小的随机数
- 3.算出输出值
- 4.与希望值比较，算出误差(圴方误差)
- 5.调整权重（校正值 = 学习率 * 神经元误差 * 神经元输出值），重复
- 含义及结构
- 遗传算法
- 概念
- 种群：生物的进化以群体的形式进行，这样的一个群体称为种群。
- 种群规模：即种群中染色体个体的数目。
- 个体：组成种群的单个生物，即优化问题的解。
- 基因：一个遗传因子。
- 染色体：包含一组的基因。染色体一般被表达为简单的字符串或数字串，不过也有其他的依赖于特殊问题的表示方法适用，这一过程称为编码。
- 生存竞争，适者生存：对环境适应度高的的个体参与繁殖的机会比较多，后代就会越来越多。适应度低的个体参与繁殖的机会比较少，后代就会越来越少。
- 遗传与变异：新个体会遗传父母双方各一部分的基因，同时有一定的概率发生基因变异。
- 交叉概率：控制着交叉算子的使用频率。
- 变异概率：控制着变异算子的使用频率。
- 机理
- 首先，算法随机生成一定数量的个体，计算适应度，排序
- 下一步是产生下一代个体并组成种群，这个过程是通过选择和演化完成的
- 选择常用“比例选择”：“轮盘赌算法”
- 演化包括交叉和变异。
- 终止条件：次数限制，资源限制，最优值，适应度饱和，人为干预
-
简单算法
-
轮盘赌算法
/* 按设定的概率，随机选中一个个体， P[i]表示第i个个体被选中的概率*/ int RWS() { m = 0; r = Random(0, 1); //r为0至1的随机数 for (i = 1; i <= N; i++) { /* 产生的随机数在m~m+P[i]间则认为选中了i，因此i被选中的概率是P[i]*/ m = m + P[i]; if (r <= m) return i; } } -
简单遗传算法-伪代码
/*Pc：交叉发生的概率， Pm：变异发生的概率， M：种群规模，G：终止进化的代数， Tf：进化产生的任何一个个体的适应度函数超过Tf，则可以终止进化过程*/ 初始化Pm，Pc，M，G，Tf等参数。随机产生第一代种群Pop; do { 计算种群Pop中每一个体的适应度F(i); 初始化空种群newPop; do { 根据适应度以比例选择算法从种群Pop中选出2个个体; if (random(0, 1) < Pc) { 对2个个体按交叉概率Pc执行交叉操作; } if (random(0, 1) < Pm) { 对2个个体按变异概率Pm执行变异操作; } 将2个新个体加入种群newPop中; } until(M个子代被创建); 用newPop取代Pop; } until(任何染色体得分超过Tf， 或繁殖代数超过G);
-
- 概念
评论（0）