游戏开发中的人工智能《笔记 - 游戏开发中的人工智能》

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

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