MOBA游戏人工智能的设计与实现

近年来,手机游戏市场不断的发展壮大。游戏人工智能(AI)对游戏的可玩性有着巨大影响,是游戏能否占有市场的重要元素之一。针对多人在线战术竞技游戏(MOBA)中多虚拟角色的组合决策分析研究,使用分层决策架构设计、消息队列实现游戏单位对环境变化应对及游戏智能间协作,同时适应游戏敏捷开发。通过在游戏中的实际运用证明该方法的可行性和有效性。

浅析游戏人工智能的发展与应用

自电子游戏诞生始,人工智能就伴随着它的出现而发展。随着计算机技术的快速发展,人们对游戏软件的设计也提出更高的要求,各种层出不穷的游戏吸引着更多不同的玩家,同时新式游戏机和PC平台也在不断涌入市场,其中人工智能技术正是近年来游戏软件开发应用的主要技术之一。文章从人工智能和游戏人工智能的定义出发,简要介绍了游戏人工智能的发展历程,并重点对游戏人工智能中的有限状态机,模糊状态机和人工神经网络等技术的工作原理和作用进行了阐述,最后进行了全文的总结和展望,表明了游戏人工智能的关键性作用。

从触发到关联:游戏化学习的路径新探——以游戏中的人工智能、认知技能树为例

游戏化学习是当今备受关注的研究领域。游戏中的人工智能(Game AI)一直是吸引青少年游戏者沉浸之中的一个重要因素,这种人工智能日益精彩的表现,能够不断触发游戏/学习者的多重体验与自我探究,而认知技能树是游戏者从一般认知向认知关联的拓展。这种触发与关联,是游戏化学习发生、持续的有效路径,也是实现游戏化学习的有效方式之一。对此进行研究与探讨,对大数据、大连接时代的正式或非正式学习都有一定的借鉴价值。

浅谈游戏开发中的人工智能技术

当今的游戏产业以惊人的速度蓬勃发展,探索游戏开发中的关键技术——人工智能(AI)技术,挖掘当今游戏产业发展的内幕;预测游戏业发展的未来。

基于计算机人工智能识别关键技术分析

本文针对计算机人工智能识别技术的概念与分类,进行总结与整理;并针对该技术的应用情况,从远程自主规划与控制、语音识别、机器人领域、人工神经网络、游戏人工智能以及工业生产,这六个方面展开探究分析,以期能够为计算机人工智能识别技术的应用发展,提供参考性建议。

人工神经网络在游戏中应用研究

大多数人工智能技术在游戏中应用只能解决现有游戏中出现的游戏智能问题,没有让游戏中的人工智能具备自成长。因此,提出一种人工神经网络以及遗传算法相结合的游戏人工智能技术实现游戏人工智能自成长。使用人工神经网络可以使游戏人工智能具有自学习功能,使用遗传算法可以使游戏人工智能具有选择以及变异功能形成下一代。这种游戏人工智能方法通过人为控制进化方向,使游戏非玩家控制角色(简称NPC)向游戏需要的方向自成长,很大程度上使游戏更加智能化。

新版“吃豆人”游戏的AI设计与实现

新版"吃豆人"游戏在原版"吃豆人"游戏的基础上,增加了一些现代元素和多种游戏规则模式,以达到成为现代人喜好的手机休闲游戏的目的。展示了该游戏的总体功能架构,其中重点介绍了游戏人物的碰撞检测和游戏人工智能的设计,所展示的新版"吃豆人"游戏开发的整个过程和提出的开发框架对Android游戏开发具有一定的参考意义。

一个基于情感的自主非玩家角色模型

提出了一个新颖的基于情感的非玩家角色模型,此类非玩家角色有人造躯体,生活在虚拟的游戏场景中,并且具有自主行为。模型将情感系统、注意聚焦、意图以及表现系统集成在一起。模拟了人类的遗忘和情绪波动特性,以期使得游戏中的非玩家角色更接近于玩家角色或者真实玩家。为了表达情感和认知固有的不确定性,模型中用到了模糊表达。系统采用Model-View-Controller(MVC)的设计模式来实现,该模式把人工智能从游戏引擎中独立出来,采用接口和组件的思想来实现人工智能。

一个基于语言变量认知流的认知建模方法

提出了一种新的认知流(epistemic fluent)用来解决自主角色的感知和推理问题。该方法是在 John Funge 的区间取值认知流的区间上定义相应的语言变量(linguistic variables)。新方法能够将离散取值认知流和连续取值认知流统一起来,并且使得自主角色的认知模型更简单。文章还描述了怎样解决不可数“可能世界”的问题,以及新认知流怎样用来推理不等式。

自主非玩家角色面部行为的实现

为了用自主非玩家角色(ANPC)来实现游戏里的人工智能,提出了一种“模型-视图-控制器(MVC)”的设计模式来实现此类ANPC,该模式将AI从游戏引擎中分离出来。用一种混合变形顶点着色(BMVS)技术实现ANPC的面部行为,该技术可以把各个行为动画,如眨眼、微笑、视位(visemes),混合形成整个面部行为动画。采用顶点着色技术,不用锁定顶点缓存和新建混合后形成的网格(mesh),因而能提高动画渲染效率。

结合行为树与Q-learning优化UT2004中agent行为决策

针对FPS游戏UT2004中的NPC(Non-Player-Character,即非玩家角色)的行为决策不够灵活多变,不够智能等问题,结合行为树与Q-learning强化学习算法,提出了一种预处理与在线学习结合的方式优化NPC行为决策的方法。通过在行为树上的强化学习,NPC行为决策更为灵活、智能,即human-like。实验结果表明了该方法的有效性与可行性。

一种改进型Q学习算法及其在行为树中的应用

游戏中的非玩家角色(NPC)通过学习获得智能,因此学习算法的设计是一个关键问题。提出一种改进型Q学习算法(SA-QL),它以模拟退火算法为基础,在状态空间、探索策略、报酬函数等方面改进了Q学习算法的不足。将该算法运用到行为树的设计中,使NPC能在游戏过程中实时学习,调整行为树中逻辑行为的最佳执行点,从而产生合适的行为响应。实验结果表明,SA-QL算法比传统Q学习算法效率更高,控制NPC的效果更好。

Game AI在计算机生成兵力中的应用研究

针对提高计算机生成兵力的可编辑性和智能性问题,分析对比Game AI(游戏人工智能)的应用现状,运用可视化脚本编辑方法实现了基于脚本的可由非开发者自主编辑的计算机生成兵力。综合目前常用的行为选择算法,提出了一个有限状态机结合神经网络的优化决策和自学习模型。提出的方法可提高计算机生成兵力的可编辑性和智能性。

一种基于距离调整的动态影响力地图模型

传统的影响力地图或者缺乏对动态信息的表示,或者对动态信息的表示不准确,容易导致游戏人工智能(AI)主体做出错误的决策.为了解决影响力地图不易描述动态信息的问题,对影响力地图的传播方式和衰减方式进行了研究,提出了基于距离调整的动态影响力地图模型.根据产生影响对象的运动趋势,对影响传播过程中需要计算的距离进行调整,将运动趋势信息编码于最终的影响力地图中,为游戏AI主体的决策过程提供支持.实验结果表明,相较于传统影响力地图模型,该模型可以有效提高影响力地图对游戏环境动态信息表示的准确程度,从而提高AI主体的性能.