游戏开发中的人工智能 复习

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);