笔记 - 游戏开发中的人工智能
2009-02-20
追逐与闪躲
---- 视线追逐
---- 拦截
靠拢速度 Vr = Vprey - Vpredator
靠拢距离 Sr = Sprey - Spredator
靠拢时间 Tc = |Sr| / |Vr|
预测位置 St = Sprey + (Vprey)(Tc)
移动模式
---- 标准移动模式：控制指令
群聚
---- 基本群聚
凝聚：每个单位都往其临近单位的平均位置行动
对齐：每个单位行动时，都要把自己对齐在其临近单位的平均方向上
分隔：每个单位行动时，要避免撞上其临近单位
---- 队形控制：单位视野
---- 避障：触角
---- 跟随：领头者
势函数
---- Lenard-Jones 势函数：U = A/r^n + B/r^m
---- 追逐、闪躲、避障
---- 算法优化：应用半径、网格
路径寻找及航点应用
---- 视线避障
---- 绕行避障
---- 面包屑路径寻找
---- 遵循路径：方向权重
---- 航点导航：节点表
A*路径寻找算法
---- 定义搜寻区域：节点分割
---- 过程：
Open List
Closed List
路径得分：移动成本 + 启发法
地形成本
影响力对应
描述式AI及描述引擎
----
有限状态机
----
模糊逻辑
---- 程度
---- 过程：
模糊化：归属函数（0~1）、藩篱函数（hedge function）
模糊规则
评估运算
反模糊化、单值输出归属函数
规则式AI
---- 规则系统：工作记忆、规则记忆
---- 规则系统的推论：演绎法（forward chaining）、归纳法（backward chaining）
---- Rete 算法
概率概论
---- 标准概率
---- 主观概率及量化（赔率、期望值）、确定（打赌 - 公平的打赌、合理价格）
---- 概率规则
贝叶斯技术
---- 贝叶斯网络
神经网络
---- 多层前馈神经网络：输入层、隐匿层、输出层
---- 权重、活化函数（logistic function, step function, hyperbolic tangent function），偏差项
罗吉斯函数：f(x) = 1 / (1 + e^(-x / c))
阶跃函数：f(x) = 0; x <= 0 | 1; x > 0
双曲正切函数：f(x) = (e^x - e^-x) / (e^x + e^-x)
---- 倒传递训练：
1.训练数据集
2.初始权重
3.输入数据获取输出值
4.计算误差
5.调整权重
---- 局部极值与整体极值、增加动量方法
遗传算法
---- 演化过程、适合度
---- 淘汰、交叉、突变
查字典图书网
