码迷,mamicode.com
首页 > 其他好文 > 详细

游戏开发中的人工智能 复习

时间:2015-01-17 23:32:47      阅读:231      评论:0      收藏:0      [点我收藏+]

标签:人工智能

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

  1. 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
    • 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
  2. 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。
  3. 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
  4. 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
  5. 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
  6. 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
        1. 把证据向量输入到贝叶斯网络B中;
        2. 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;
        3. 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;
        4. 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;
        5. 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
        1. 把证据向量输入到贝叶斯网络B中;
        2. 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;
        3. 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;
        4. 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;
        5. 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。
  7. 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
  8. 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);

游戏开发中的人工智能 复习

标签:人工智能

原文地址:http://blog.csdn.net/hcbbt/article/details/42815479

(0)
(0)
   
举报
评论 一句话评论(0
登录后才能评论!
© 2014 mamicode.com 版权所有  联系我们:gaon5@hotmail.com
迷上了代码!