游戲中基于規(guī)則與機器學習的智能技術應用研究.pdf

1、近年來，游戲的圖形質量已發(fā)展到近乎極致的地步，人工智能(AI)已經成為決定一款游戲以及游戲開發(fā)工作室命運的重要因素。下一代的3D游戲不僅會有優(yōu)秀的視覺效果，更會像人一樣狡猾和聰明。由于國內還沒有展開全面研究和應用，而且本文研究并實現的AI技術在一定程度上提高了游戲智能，因此該課題具有一定的學術和應用價值。
　　本文目標是構建一個基本圖形渲染引擎，以這個渲染引擎為平臺，對若干基于規(guī)則和機器學習的AI技術進行了深入研究和實現，并應用若

2、干機器學習技術實現了游戲中一些常見問題的求解。
　　首先構建圖形渲染引擎，功能有：完整流水線，物體剔除，背面消除，歐拉相機，光照模型，固定、恒定和Gouraud著色方法，3D裁剪，深度排序。
　　然后研究實現了若干基于規(guī)則的AI技術?；谝?guī)則的AI技術包括：確定性運動算法、隨機運動算法、跟蹤閃避算法、群聚算法、模式運動技術、行為建模的有窮自動機技術和A*算法等。
　　最后采用機器學習中的遺傳算法和人工神經網絡，實現了游

3、戲中以下問題的求解：
　　1．尋路問題。一條染色體代表一條路徑。實驗表明遺傳算法對結果的不可預知性可以有效地提高尋路的智能；
　　2．飛行物體的著陸問題。染色體由飛行物體的運行方式組成。實驗表明遺傳算法對結果的不可預知性使得降落更加智能化，不需要人工的干預；
　　3．障礙物繞行問題。使用遺傳算法改進神經網絡的權值；利用以智能體中心為出發(fā)點的5條射線模擬傳感器感知環(huán)境。經過768代的進化，遺傳算法種群最優(yōu)適應度和平均適應

4、度都有了明顯提高，繞行成功率從12.5％上升到85%；
　　4．鼠標軌跡識別問題。神經網絡權值由反向傳播算法學習更新；采用1200個樣例訓練，誤差閾值為34.0037，另外1200個樣例測試，將神經網絡與SVM做了實驗對比，得出結論：神經網絡和SVM的正確分類樣本數分別為1125和1185，錯誤分類樣本數分別為75和15，正確率分別為93.75%和98.75%。
　　下一步工作，希望將這些AI技術有機地結合起來，整合為一個A