人工智能在游戏中的应用 专业：估计物理 姓名：XXX 学号：XXX 人工智能在游戏中的应用 人工智能在游戏中的应用主要有五个目标：一是为玩家提供合适的挑战； 二是让玩家处于兴奋状态； 第三，提供不可预测的结果； 第四，帮助完成游戏的剧情； 第五，创造生动的世界。 这个生动的世界可以与现实生活中的世界相似，也可以与现实世界完全不同。 但无论什么样的世界，都需要一套能够自圆其说的游戏规则。 在游戏制作过程中，实现人工智能的关键主要包括：虚拟现实与拟人化、机器角色的动画效果与场景感知、机器学习与机器角色的进化、玩家与机器角色的平衡、人工荒诞技术、确定性人工智能技术与非确定性人工智能技术的互补性。 人工智能应用于游戏的技术有很多，例如：有限状态自动机（FiniteStateMachines）、模糊逻辑（FuzzyLogic）、生产系统（productionsystem）、脚本设计（Scripting）、基于规则的人工智能与系统（Rules-basedAIandSystems） ), 不确定性决策的贝叶斯推理和贝叶斯网络，人工生命，决策树，专家系统，神经网络，遗传算法（Genetic Algorithms）等。
限于篇幅，下面只介绍比较容易理解的八种技术：有限状态自动机、模糊逻辑、产生式系统、决策树、人工生命、专家系统、神经网络和遗传算法。 有限状态自动机：有限状态自动机（FSM“finite state machine”）是一种估计模型，具体体现为研究有限显存和个体语言类的估计过程。 有限状态自动机具有有限数量的状态，每个状态可以转换为零个或多个状态，输入字符串决定执行哪个状态转换。 有限状态自动机可以表示为有向图。 有限状态自动机有几种类型：接受器决定是否接受输入； 转换器在给定输入的情况下形成输出。 常见的转换器有 Moor 机和 Mealy 机。 Moore 机的每个状态都有一个输出动作，Mealy 机的每个转换都有一个输出动作。 有限状态自动机也可以分为两种类型：确定性和非确定性。 非确定性有限状态自动机可以转化为确定性有限状态自动机。 有限状态自动机识别的语言是正则语言。 有限状态自动机不仅在理论上有其价值，而且在数字电路设计、词法分析、文本编辑程序等领域都有应用。 模糊逻辑：模糊逻辑（FuzzyLogic），模仿人脑的不确定性概念判断和推理思维方法，将模糊集和模糊规则应用于模型未知或不确定的描述系统，以及具有强非线性和大的控制对象lag 进行推理，表达过渡边界或定性知识和经验，模拟人脑形态，实施模糊综合判断，推理和解决常规方法难以处理的基于规则的模糊信息问题。
模糊逻辑善于表达边界不明确的定性知识和经验。 它利用隶属函数的概念来区分模糊集，处理模糊关系，模拟人脑进行基于规则的推理，解决由于逻辑上违反“排中律”而引起的各种问题。 不确定这个问题。 模糊逻辑通常使用 IF/THEN 规则，或构造等价物，例如模糊关联矩阵。 规则一般表示如下： IF fuzzy variable IS fuzzy set THEN action 例如，一个非常简单的使用电风扇的温度调节器：是正常的 然后保持电流 有一个水平，如果空气温度是热的 然后加速吊扇 注意没有“其他”。 评估所有规则，因为空气温度可以在不同程度上既“冷”又“正常”。 形成系统：生产系统由以下三部分组成： 一个全局数据库，其中包含与特定任务相关的丰富信息。 一组对数据库进行操作的规则。 每条规则由左右两部分组成。 左侧部分标识规则的适用性或先决条件，右侧部分描述应用规则时完成的操作。 应用规则来改变数据库。
一种控制策略，它确定应使用哪些适用规则，但在满足数据库的停止条件时停止评估。 正式规则是对数据库进行操作的一系列规则。 规则通常的做法是：IF条件THEN操作，即满足应用的先决条件后，再对数据库进行下一步操作。 控制策略规定了运行的顺序，即在任何条件下使用哪些规则运行，在哪些条件下停止运行。 它指定了解决问题的搜索策略和路径。 控制策略通常可以分为两类：不可逆方法和启发式方法，启发式方法包括回溯法和图搜索法。 决策树：决策树通常是自上而下构建的。 每个决定或风暴（即自然状态）都可能引发两次或更多的风暴，从而产生不同的结果。 这些决策分支被绘制成一个图形，看起来像树冠，因此被称为决策树。 决策树提供了一种表示规则的方法，比如在什么条件下获得哪些值。 例如，在抵押申请中，需要确定申请的风险。 图中是为解决这个问题而构建的决策树，从中我们可以看出决策树的基本组成部分：决策节点、分支和叶子。 决策树中最前面的节点称为根节点，是整个决策树的开始。 本例中根节点为“收入>￥40,000”，该问题的不同答案形成“是”和“否”两个分支。
决策树每个节点的子节点个数与决策树使用的算法有关。 例如，CART算法得到的决策树，每个节点有两个分支，这些树称为二叉树。 允许一个节点的子节点少于两个的树称为多树。 每个分支要么是一个新的决策节点，要么是树的末端，称为叶子。 在决策树从上到下遍历的过程中，每个节点都会遇到一个问题，每个节点上问题的不同答案会导致不同的分支，最后会到达一个叶子节点。 这个过程就是借助一棵决策树进行分类的过程，使用若干个变量（每个变量对应一个问题）来确定它所属的类别（最后一片叶子对应一个类别）。 人工生命：人工生命是通过人工模拟生命系统来研究生命的领域。 人工生命的概念包括两个方面：1）属于计算机科学领域的虚拟生命系统，涉及计算机软件工程和人工智能技术； 学习技术。 尽管人工生命（AL）和人工智能（AI）领域确实有很大的重叠领域，但它们的初衷和演化历史却截然不同。 研究是否以及如何实现模拟智能的人工智能研究早在计算机诞生时就开始了。 它在早期已经盛行，但试图弄清突现行为本质的人工生命研究者，可以说还不知道其他人也在做类似的引敌作战的工作。 直到80年代末，这个领域才刚刚诞生。
人工生命分为以下两个主导概念 强人工生命：主张“生命系统的演化过程是可以从任何特殊介质中抽象出来的过程”。 （约翰冯诺伊曼）。 值得注意的是人工智能游戏，TomRay 首次在 Tierra 模拟测试中首次表明进化过程极易发生在某些具有竞争计算机存储空间的计算机程序种群中。 弱人工生命：认为不可能不创造一个基于碳的“生命过程”。 他们的研究不是模拟这个过程，而是试图理解一个单一的现象。 一般采用agent-based模型进行研究，它一般可以提供最简单的可能推论，即：我们不知道自然界中是什么产生了这些现象，我们或许可以找到复杂生物现象的原理通过模拟。 专家系统：专家系统（expert system）是人工智能应用研究中最为活跃和广泛的课题之一。 利用特定领域的专门知识，模拟人类专家一般可以通过推理解决的各种复杂、具体的问题，实现与专家具有同等解决问题能力的计算机智能程序系统。 它可以解释决策过程并具有学习功能，即可以手动减少解决问题所需的知识。 专家系统是一种智能的计算机程序系统，它包含了某一领域专家的大量知识和经验，从而能够利用人类专家的知识和解决问题的方法来处理该领域的问题。
也就是说，专家系统是具有大量专业知识和经验的程序系统。 它利用人工智能技术和计算机技术，根据某一领域的一个或多个专家提供的知识和经验，模拟人类专家进行推理和判断。 决策过程便于解决这些需要人类专家处理的复杂问题。 简而言之，专家系统是模拟人类专家解决领域问题的计算机程序系统。 神经网络：神经网络（NeuralNetworks）必须先以一定的学习标准进行学习，然后才能工作。 现以人工神经网络识别手写体“A”和“B”为例。 规定当“A”输入网络时，应输出“1”，当输入为“B”时，输出为“0”。 在线学习的原则是：如果网络做出错误的决定，通过网络学习应该使网络减少上次犯同样错误的可能性。 首先，给网络的每个连接残差分配区间(0, 1)内的随机值，将“A”对应的图像模式输入到网络中，网络会对输入的模式进行加权，并与阈值进行比较，然后进行非线性运算得到网络的输出。 在这种情况下，网络输出为“1”和“0”的概率各为50%，也就是说是完全随机的。 此时如果输出为“1”（结果正确），减少了连接的残差，这样当网络再次遇到“A”模式的输入时，仍然可以做出正确的判断.
如果输出为“0”（即结果错误），则将网络连接残差向降低综合输入权重值的方向调整。 目的是为了减少网络下次遇到“A”模式输入时出现同样的错误。 可能性。 通过这样的操作和调整，将几个手写字母“A”和“B”依次输入网络后，按照上述学习方法通过网络进行多次学习后人工智能游戏，网络判断的正确率就会大大提高。 这表明网络已经成功地学习了这两种模式，并且在网络的每个连接残差上都以分布式的方式记住了这两种模式。 当网络再次遇到这些模式中的任何一种时，它都可以做出快速准确的判断和识别。 一般来说，网络中的神经元越多，它能记住和识别的模式就越多。 遗传算法：遗传算法（Genetic Algorithm）是根据生物界的进化规律（适者生存，适者生存的遗传机制）演化而来的一种随机搜索方法。 其主要特点是直接对结构对象进行操作，不受导数和函数连续性的限制； 它具有内在的隐式并行性和更好的全局优化能力； 它采用概率优化的方法，可以通过人工获取和引导优化的搜索空间，自适应地调整搜索方向，没有一定的规则。 遗传算法的这一特性已被广泛应用于组合优化、机器学习、信号处理、自适应控制和人工生命等领域。
它是现代智能估算中的一项关键技术。 遗传算法的基本运行过程如下： a) 初始化：设置进化代数计数器t=0，设置最大进化代数T，随机生成M个个体作为初始种群P(0)。 b) 个体评价：估计种群 P(t) 中每个个体的适应度。 c) 选择操作：将选择算子应用到组中。 选择的目的是将优化后的个体直接遗传给下一代或通过配对交叉形成新的个体再遗传给下一代。 选择操作基于种群中个体的适应度评价。 d) 交叉操作：对组应用交叉操作。 所谓交叉，是指将两个亲本个体的部分结构进行替换重组，产生新个体的操作。 遗传算法的核心功能是交叉算子。 e) 变异操作：将变异算子应用于种群。 即，改变种群中个别串的个别位点处的基因值。 群P(t)经过选择、交叉和变异操作后，得到下一代群P(t1)。 f) 终止条件判断：如果tT，输出进化过程中获得的适应度最大的个体作为最优解，终止估计。 本文主要介绍了笔记本游戏中的人工智能技术，提出了通过“游戏中的图灵测试”的游戏最适合玩家娱乐的理念，并介绍了网络中流行的外挂技术和一些人工智能游戏。 游戏中应用的技术。
参考文献 [1] 顶级游戏设计[M]． 上海：电子工业出版社，2004年5月 [2] JohnDavid Funge． 人工智能在电脑游戏与动画中的应用——认知建模方法[M]． 上海：北京大学出版社，2004年6月 [3] David M.Bourg，Glenn Seeman． 游戏开发中的人工智能[M]． 北京：西南大学出版社，2006年9月