研究人工智能在視頻游戲（Video Game）上的應(yīng)用和在經(jīng)典游戲（Classic Game）上的應(yīng)用目的是不同的。比如說研究經(jīng)典游戲圍棋（GO）的人工智能是為了產(chǎn)生挑戰(zhàn)性最大的對手智能；而研究視頻游戲的人工智能是為了產(chǎn)生既有挑戰(zhàn)性又令人滿意的游戲智能。本文中游戲的是指視頻游戲。目前大多數(shù)現(xiàn)有的游戲智能是用有限狀態(tài)機(jī)（FSM）實(shí)現(xiàn)的。由FSM實(shí)現(xiàn)的游戲智能有三個方面的弊端：高度依賴開發(fā)者的領(lǐng)域知識,不存在元編程的,沒有規(guī)劃和前瞻。在本文中,作者提出用CI（計算智能）的方法來生成既有挑戰(zhàn)性又令人滿意的游戲?qū)κ种悄?該方法的最終實(shí)現(xiàn)是基于作者提出的“玩家的策略建模及對手的智能適配”的理論框架。本文使用的CI方法是指MCTS蒙特卡洛樹搜索（Monte Carlo Tree Search）和UCT上界置信的樹搜索（Upper Confidence Bound for Trees）2種算法。本文中兩種prey/predator（獵物和捕食者）類型游戲Dead-End和Pac-Man被用作測試平臺來驗(yàn)證所提出的理論。該論文的主要貢獻(xiàn)包括：游戲智能的整體架構(gòu)、玩家策略建模、對手挑戰(zhàn)性智能適配、及對手... 

【文章來源】：北京郵電大學(xué)北京市 211工程院校 教育部直屬院校

【文章頁數(shù)】：209 頁

【學(xué)位級別】：博士

【部分圖文】：

用于樹狀搜索的蒙特卡洛在Dead一End游戲上的應(yīng)用(3)UCT在控制NPC上的應(yīng)用


本文編號：3558700