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。     

遗传算法和牛顿力学在游戏开发中的应用研究

游戏中的人工智能技术已经成为了一款游戏成功与否的关键所在.为了提高视频游戏的人工智能,使用遗传算法解决了视频游戏中的路径搜寻(Pathfinding)问题,同时将遗传算法和牛顿力学相结合,模拟了飞行物体的着陆(Landing).实验表明,遗传算法使游戏中角色的行为更加自然,具备了较高的智能,而牛顿力学的使用使游戏中飞行物体的运动符合了物理规律,从而看起来更加真实.     

基于遗传算法的虚拟足球游戏设计

随着计算机软硬件以及网络技术的发展,人们开始把目光转向有人工智能的高质量竞技游戏,这种游戏能给人们带来更多的乐趣和耐玩性。为加强游戏的对抗性能,遗传算法、神经网络等越来越多的智能化算法将会被应用到游戏中。采用遗传算法来强化虚拟足球游戏的人工智能特性,一方面提出了基于遗传算法的角色分配方案,使技能释放更合理,效果更佳;另一方面参考了机器人足球比赛中的路径规划策略,利用遗传算法实现了该虚拟足球游戏中的动态避障和最短路径两个部分。     

一种适合网络游戏的多NPC协同运动策略

研究群体非玩家控制角色(NPC)如何根据具体游戏环境和剧情因素进行相互联系的协同运动以实现群体行为。在此基础上,提出一种适合网络游戏的多NPC协同运动策略,采用人工势场法描述游戏状态,并利用粒子群算法确定下一时刻每个NPC的最佳运动位置,从而实现个体NPC根据游戏状态自主完成群体作战目标。实验结果表明,该方法能够在网络游戏中保证群体NPC高效、自主地适应环境,并能较好地完成与玩家对抗的游戏任务。     

游戏怪物NPC的人工智能分析

从游戏中怪物角色的人工智能系统进行分析,阐述了打怪升级游戏中怪物的人工智能的设计规则。通过怪物人工智能系统的三个方面:怪物NPC的属性,自发性动作事件,反应性动作事件,重点论述了游戏怪物角色人工智能系统的创建规律和原则。     

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。     

辅助社交训练严肃游戏中虚拟角色行为表现的不确定性模型

目的 建立行为可信的虚拟角色能够使严肃游戏更加有趣,提升用户使用的体验感。尽管严肃游戏的图形渲染技术已经日趋成熟,但现有的虚拟角色行为表现方式多采用确定性模型,很难反映虚拟角色行为表现的多样性。方法 本文构建了符合辅助社交训练的严肃游戏剧情,采用智能体来描述虚拟角色,赋予虚拟角色视觉、听觉双通道感知。基于马斯洛动机理论,采用食物、休息、交流和安全等动机来描述情绪的产生,利用大五（OCEAN）个性模型来描述虚拟角色的不同个性差别。用外部刺激和内部动机需求来计算情绪强度,利用行为树描述虚拟角色的行为。运用正态云模型处理虚拟角色行为表现的不确定性,并以行走方向、社交距离、交流时身体朝向3个典型的行为表现给出了具体处理方法。结果 在所实现的游戏原型系统中,对于虚拟角色的自主行为和行为表现的不确定性进行了用户体验测试。结果表明,在场景探索任务中,虚拟角色的自主行为模型能减少用户探索场景所耗费的时间,并且可以促进用户与虚拟角色交流;在行为表现测试中,本文模型的自然性评价要高于确定性模型。结论 本文虚拟角色行为模型在一定程度上可提升用户的体验感,有望为建立行为可信的虚拟角色提供一种新的途径。     

Matlab下一种新型神经网络的实现

为解决神经络结构和参数难以确定的问题.提出用工程领域的田口设计方法和人工智能领域的遗传算法相结合的方法,用来同时确定神经网络结构和参数.并给出了在Matlab环境下实现该算法等各步骤的编程方法.最后用一个实例说明了田口一遗传算法确定的神经网络在期货预测方面的应用.     

基于遗传BP网络的股市预测模型研究与仿真

股票价格走势已经成为人们关注的焦点,为了更精确的预测股票价格,得到更合理的股票投资意见,利用遗传算法全局寻优和BP神经网络局部寻优相结合的方法.提高了传统BP神经网络的计算精度和收敛速度.建立了基于遗传BP网络的股市预测系统模型,对贵州茅台股票价格进行预测.仿真结果表明,经遗传算法改进后的BP神经网络模型在降低计算和预测的平均误差的同时,迭代次数比一般BP神经网络模型也大大减少.因此适用于求解如股市预测等非线性问题,具有较高的精确度和应用价值.     

一种适合MMOG的多NPC协同围捕策略

针对MMOG中多NPC的协同围捕问题,本文提出一种基于运动学和几何学理论的NPC协同围捕策略.采用运动学方法构建个体NPC的运动模型,从而实现个体NPC在游戏中的自主运动控制,通过改变NPC的方向角和使用"正多边形队形法"实现多NPC对目标的靠近和包围.实验结果证明,该策略能使群体NPC成功的围捕目标,满足游戏的实时性、挑战性和真实感的需求.     

Quake2中NPC智能结构分析及行为改进

伴随着计算机游戏行业的发展,游戏智能已经经历了几十年的发展。它一般是通过控制游戏中非玩家角色（non-player character,NPC）的行为动作来表现的,其目的在于给玩家更好的游戏体验。游戏智能常见的问题是NPC的行为不够多样化,容易被有经验的玩家预测。为此,通过对Quake2的AI开发工具Fear对NPC的智能结构进行改造,提供新的NPC行为,用以改善玩家的游戏体验。     

FPS游戏中基于HTN的Anytime规划器的研究

动态性和实时性电脑游戏世界的两个关键特征。Anytime规划是能够产生满足上述两个特征的行为的规划方法。分层任务网络(Hierarchical Task Network,HTN)是表示分层规划的一种形式,它非常适合于表达电脑游戏中非玩家角色(non-player char-acter,NPC)复杂的目标。以著名的第一人称射击(First-Person Shooter,FPS)游戏虚幻竞技场2004(Unreal Tournament 2004)作为游戏平台,为NPC设计实现了一个基于HTN规划的anytime规划器,并使用遗传算法调整规划目标的优先级。该规划器可以根据环境变化随时中断规划并给出可用的规划结果,同时具有一定的适应性。实验表明它能够使NPC的行为更智能。     

支持向量机-模糊推理自学习控制器设计

常规的模糊推理系统大多由专家经验建立模糊规则,自学习能力不强.提出了一种支持向量机-模糊推理系统,由支持向量机实现模糊推理系统的自学习,并设计了一种支持向量机-模糊推理自学习控制器.文章给出了自学习控制器的结构和学习算法,对比研究了变尺度梯度优化和混沌优化两种学习算法.针对非线性对象的仿真实验验证了该控制器的优良性能,控制效果比模糊逻辑控制器更好.     

非仿射系统的自学习滑模抗扰控制

针对一类单输入单输出(single-input single-output,SISO)非仿射非线性系统的控制问题,提出了一种自学习滑模抗扰控制方法.该方法用非线性光滑函数设计扩张状态观测器,实现SISO非仿射非线性系统内部不确定性和外部扰动的扩张状态估计,并将扩张状态观测器(extended state observer,ESO)与自学习滑模控制技术融为一体,实现SISO非仿射非线性系统的自学习滑模抗扰控制.该方法不依赖受控对象的数学模型,可以快速跟踪任意给定的参考信号.数值仿真试验表明了该方法响应速度快、控制精度高,具有很强的抗扰动能力,因而是一种鲁棒稳定性很强的控制方法,在SISO非仿射非线性系统控制领域具有重要作用.     

基于遗传算法和神经网络预测的再励学习

提出一种基于遗传算法和神经网络预测法相结合的再励学习方法,利用遗传算法对全局进行最优解搜索,将进化过程中产生的数据用来训练神经网络预测器,当再励学习逼近最优解时,利用预测网络估计动作网络的参数、结构与系统响应之间的映射关系,用预测网络逼近最优解的能力引导遗传算法在局部向最优解快速逼近,以解决遗传算法局部振荡问题,从而实现快速学习的能力。将其应用于矢量控制交流电机的速度环控制器自学习中,仿真实验验证了该算法的有效性。     

分层强化学习研究进展

强化学习通过试错与环境交互获得策略的改进,其自学习和在线学习的特点使其成为机器学习研究的一个重要分支。但强化学习方法一直被维数灾难所困扰。近年来,分层强化学习方法在解决维数灾问题中取得了显著成果,并逐渐开始向多智能体系统推广,论文归纳分析这一领域目前的研究进展,并对迫切需要解决的一些问题和进一步的发展趋势作出探讨和展望。     

强化学习研究综述

强化学习通过试错与环境交互获得策略的改进,其自学习和在线学习的特点使其成为机器学习研究的一个重要分支,该文首先介绍了强化学习的基本原理结构和各种算法;然后介绍了近年来强化学习的应用等热点问题。     

改进的单幅图像自学习超分辨率重建方法

针对传统超分辨率重建方法稀疏表示依赖大训练样本字典的局限性问题,基于L2范数的弱稀疏性特 点,提出一种改进的单幅图像自学习超分辨率重建方法。通过自学习建立非金字塔阶梯式训练图像集,采用自 定义的方法分别提取训练集中低分辨率和相应高分辨率图像特征块及特征像素值;结合L2范数的协作表示 (collaborative representation,CR）理论和支持向量回归（support vector regression,SVR）技术学习多层超分辨率映 射模型。实验结果表明,提出的超分辨率方法不仅可行有效,而且与传统的单幅图像的超分辨率方法比较,其 PSNR平均提高了0.06～3.92dB,SSIM平均提高了0.0024～0.0348,从客观数值和主观视觉证明了所提方法的优秀性。     

基于ESO的一类线性时变系统自学习滑模控制方法

针对一类线性时变系统的控制问题,提出了一种基于扩张状态观测器的自学习滑模控制方法。该方法首先设计了两种非线性光滑函数, 然后将两种光滑函数分别应用于扩张状态观测器和滑模趋近律的设计。为了进一步提高系统的自适应控制能力, 使用最速下降法对滑模控制器的增益参数进行自学习镇定。仿真结果表明了该控制方法不仅响应速度快、控制精度高, 而且有效解决了现有理论方法难以解决的问题, 因而是一种有效的不依赖于被控对象模型的LTV系统控制方法。