游戏中基于规则与机器学习的智能技术应用研究

发布时间：2017-05-18 04:09

  本文关键词：游戏中基于规则与机器学习的智能技术应用研究，，由笔耕文化传播整理发布。

【摘要】： 近年来,游戏的图形质量已发展到近乎极致的地步,人工智能(AI)已经成为决定一款游戏以及游戏开发工作室命运的重要因素。下一代的3D游戏不仅会有优秀的视觉效果,更会像人一样狡猾和聪明。由于国内还没有展开全面研究和应用,而且本文研究并实现的AI技术在一定程度上提高了游戏智能,因此该课题具有一定的学术和应用价值。 本文目标是构建一个基本图形渲染引擎,以这个渲染引擎为平台,对若干基于规则和机器学习的AI技术进行了深入研究和实现,并应用若干机器学习技术实现了游戏中一些常见问题的求解。 首先构建图形渲染引擎,功能有:完整流水线,物体剔除,背面消除,欧拉相机,光照模型,固定、恒定和Gouraud着色方法,3D裁剪,深度排序。 然后研究实现了若干基于规则的AI技术。基于规则的AI技术包括:确定性运动算法、随机运动算法、跟踪闪避算法、群聚算法、模式运动技术、行为建模的有穷自动机技术和A*算法等。 最后采用机器学习中的遗传算法和人工神经网络,实现了游戏中以下问题的求解: 1.寻路问题。一条染色体代表一条路径。实验表明遗传算法对结果的不可预知性可以有效地提高寻路的智能; 2.飞行物体的着陆问题。染色体由飞行物体的运行方式组成。实验表明遗传算法对结果的不可预知性使得降落更加智能化,不需要人工的干预; 3.障碍物绕行问题。使用遗传算法改进神经网络的权值;利用以智能体中心为出发点的5条射线模拟传感器感知环境。经过768代的进化,遗传算法种群最优适应度和平均适应度都有了明显提高,绕行成功率从12.5%上升到85%; 4.鼠标轨迹识别问题。神经网络权值由反向传播算法学习更新;采用1200个样例训练,误差阈值为34.0037,另外1200个样例测试,将神经网络与SVM做了实验对比,得出结论:神经网络和SVM的正确分类样本数分别为1125和1185,错误分类样本数分别为75和15,正确率分别为93.75%和98.75%。 下一步工作,希望将这些AI技术有机地结合起来,整合为一个AI引擎,应用在实际的游戏项目中。
【关键词】：图形渲染引擎 基于规则的人工智能 机器学习
【学位授予单位】：重庆大学
【学位级别】：硕士
【学位授予年份】：2008
【分类号】：TP18
【目录】：

• 摘要4-5
• ABSTRACT5-10
• 1 绪论10-13
• 1.1 课题背景和研究意义10-11
• 1.2 课题研究现状简介11
• 1.3 论文的主要工作11-12
• 1.4 论文的组织结构12-13
• 2 游戏中人工智能技术的介绍13-18
• 2.1 游戏中人工智能概述13-14
• 2.1.1 游戏中人工智能的定义13
• 2.1.2 游戏中人工智能的作用13
• 2.1.3 游戏中人工智能的分类13-14
• 2.1.4 游戏中人工智能的发展前景14
• 2.2 游戏中人工智能技术的现状14-17
• 2.2.1 基于规则的智能技术15
• 2.2.2 基于机器学习的智能技术15-16
• 2.2.3 可扩展的AI16-17
• 2.3 本章小结17-18
• 3 图形渲染引擎的构建18-22
• 3.1 2D 图形渲染引擎的构建18
• 3.2 3D 图形渲染引擎概述18-19
• 3.3 3D 图形渲染引擎的构建19-21
• 3.4 本章小结21-22
• 4 游戏中基于规则的智能技术应用研究22-37
• 4.1 确定性运动算法22
• 4.2 随机运动算法22-23
• 4.3 跟踪和闪避算法23-26
• 4.3.1 基本的跟踪和闪避算法24-25
• 4.3.2 视线跟踪算法25-26
• 4.4 群聚算法26-30
• 4.4.1 群聚算法基本思想26-27
• 4.4.2 邻居的搜寻方法27-29
• 4.4.3 聚合29-30
• 4.4.4 对齐30
• 4.4.5 分离30
• 4.5 模式运动技术30-32
• 4.6 行为建模的有穷自动机技术32-33
• 4.7 A*算法寻路技术33-36
• 4.7.1 A*搜索策略概述33
• 4.7.2 A*算法的寻路过程33-36
• 4.8 本章小结36-37
• 5 游戏中基于机器学习的智能技术应用研究37-53
• 5.1 遗传算法和人工神经网络技术简介37
• 5.1.1 遗传算法简介37
• 5.1.2 人工神经网络简介37
• 5.2 求解智能体的路径搜寻问题37-39
• 5.2.1 路径搜寻问题概述37-38
• 5.2.2 路径搜寻问题的遗传算法参数设计38-39
• 5.3 求解飞行物体的着陆问题39-40
• 5.3.1 飞行物体着陆问题概述39
• 5.3.2 飞行物体降落问题的遗传算法参数设计39-40
• 5.4 求解障碍物绕行问题40-46
• 5.4.1 障碍物绕行问题概述40-41
• 5.4.2 无监督神经网络方法概述41-42
• 5.4.3 障碍物绕行问题的无监督神经网络设计42-46
• 5.5 求解智能体的鼠标轨迹识别问题46-52
• 5.5.1 鼠标轨迹识别问题概述46-47
• 5.5.2 BP 神经网络概述47
• 5.5.3 训练和测试数据的获取47-49
• 5.5.4 鼠标识别问题的BP 神经网络设计49-52
• 5.5.5 鼠标识别问题的SVM 实验设计52
• 5.6 本章小结52-53
• 6 基于机器学习的智能技术的实现和实验结果53-62
• 6.1 实验环境53
• 6.2 路径搜寻问题的实现及其结果分析53-55
• 6.3 飞行物体着陆问题的实现及其结果分析55-56
• 6.4 障碍物绕行问题的实现及其结果分析56-58
• 6.5 鼠标轨迹识别问题的实现及其结果分析58-61
• 6.6 本章小结61-62
• 7 总结与展望62-63
• 7.1 全文总结62
• 7.2 展望62-63
• 致谢63-64
• 参考文献64-67
• 附录67-69
• A. 作者在攻读学位期间发表的论文目录67
• B. 作者在攻读学位期间取得的科研成果目录67-69

【参考文献】

中国期刊全文数据库 前3条

1 龚向宇;徐东平;;优化的遗传算法在游戏编程中的应用[J];电脑知识与技术(学术交流);2007年02期

2 顾亦然,王锁萍;遗传算法与神经网络在接纳控制中的应用[J];计算机工程与应用;2005年19期

3 蒋宁;翟玉庆;;一个基于神经网络和遗传算法的游戏自主角色的设计[J];计算机应用;2007年05期

  本文关键词：游戏中基于规则与机器学习的智能技术应用研究，由笔耕文化传播整理发布。

本文编号：375093