游戏开发中智能路径搜索算法的研究

在游戏软件中,人工智能是一个重要而又复杂的模块,而寻路算法是人工智能运用于电子游戏中的最基本问题之一。针对游戏中路径搜索的特点,在对一般搜索算法、常见搜索算法和启发式搜索技术进行详细地分析与研究的基础之上,结合实际应用情况,对A*算法进行了一些优化与改进。     

游戏中路径搜索算法研究

路径搜索是游戏中非常重要的一部分,A*算法是最常用的搜索算法,但是使用A*算法搜索出的路径的真实性常常不能让人满意。本文介绍A*搜索算法及存在的路径问题,针对该算法在游戏中暴露的问题,提出一种平滑改进的算法,较好地解决了这个问题。     

游戏地图中的分层动态路径搜索算法

在大型游戏地图环境中,玩家必须对动态地形做出即时反应,而动态寻路算法对改变节点的位置非常敏感。为此,结合增量路径搜索(LPA*)算法和分层路径搜索(HPA*)算法,提出一种分层动态路径搜索(HPLPA*)算法。对地图分层形成抽象图,并在动态环境中及时更新,采用LPA*搜索,找到抽象路径再细化,以此形成本地路径。实验结果证明,与LPA*和HPA*相比,该算法更有效。     

港区导航系统中最短路径搜索算法

分析Dijikstra算法、限制区域搜索算法以及A*算法的时间复杂度和空间复杂度,提出一种最短路径搜索算法。将静态存储和动态搜索相结合,以限定区域搜索算法为主、A*算法为辅,并根据港区路况实现该算法。实验结果表明,在区域路网结构相对比较规则的情况下,该算法能够提高路径搜索的效率。     

MMOG中NPC的路径搜索算法的研究

MMOG中传统的寻径方法只为NPC提供一条最优路径,导致群体NPC移动时发生堵塞.本文提出一种基于迭代加深思想的DIDA*算法,提供多个较优的路径解决群体NPC移动问题.由于地图信息的变化,NPC在移动过程中遇到未知障碍物,本文采用一种局部连接Hopfield神经网络训练NPC实时躲避动态障碍物,实验结果表明DIDA*算法可以使群体NPC快速找到目标节点,路径变化时NPC可以绕过障碍物到达目的地,适应MMOG中环境的动态变化.     

智能搜索算法教学软件的设计与开发

为提高人工智能导论课程的教学质量,协调好教与学的双边关系,结合教学实践,在Microsoft Visual Studio2005环境中用C++语言开发了智能搜索算法的教学软件,设计了A*算法、模拟退火算法和遗传算法的演示程序和验证程序,提供了这些算法的核心代码,方便学生开展各算法的自主实验设计。     

智能游戏开发项目研究综述

在游戏开发环境中,人工智能可以通过提高效率、加快设计和实验速度等方式改善开发的过程,并且在正确使用的情况下可以提高最终产品的质量。针对人工智能在游戏方面的使用,本文重点介绍了游戏开发中路径搜索和智能移动控制常用的两个算法,遗传算法和A＊算法,激发游戏开发者对游戏智能开发设计的兴趣。     

基于DEM格网的改进型A*路径搜索算法

为解决DEM格网上的路径搜索问题,分析了DEM格网和道路拓扑网络的共性与区别,并结合DEM格网的特点对比了Dijkstra算法和A*算法的优缺点,提出了基于DEM格网的改进型A*路径搜索算法。该算法充分考虑DEM格网上的路径可达条件,采用移动窗口法获取搜索网格候选集,并根据地理空间分布特征选取A*算法的估价函数,同时引入贪婪准则缩小搜索范围,降低问题复杂度。结合实例对算法进行了实验分析,验证结果表明了该算法的可行性和有效性。     

启发式路径搜索算法研究综述

描述了一类在真实世界中用于路径规划的启发式路径搜索算法。论述了这些算法的异同,这类算法主要包括静态算法(如A*),动态算法(如D*),Anytime算法(如ARA*)。本文的目的在于讨论它们在现实机器人系统中的应用,以及各自的优缺点。     

改进A*算法在游戏地图路径搜索中的应用研究

路径搜索是许多游戏的核心组成部分,路径搜索的算法有很多,不同的搜索算法有其不同的搜索策略、时间效率、空间消耗与应用场合.本文通过对A*算法的分析与研究,找出不足并进行优化和改进.使用最小二叉堆来优化A*算法对OPEN表的遍历,提高计算速度;通过引入以向量夹角余弦作为新启发式信息,减少计算过程中产生的无用节点,提高算法效率.最后通过仿真实验对标准A*算法、Dijkstra算法、改进A*算法进行数据分析比较,有效表明了本文所提算法的准确性和高效性.     

即时战略游戏的智能流场寻路算法设计与实现

针对即时战略游戏中多智能体寻路时间长和移动碰撞阻塞的问题,提出一种基于组合式改进的流场寻路算法。首先,采用红黑树存储数据,提高数据的存取速度;其次,采用惩罚函数将非线性的偏微分方程问题转化为线性的无约束问题,简化完整代价值的计算方式;最后,引入前置邻接点关联节点,生成流场方向。该算法与改进前的流场寻路算法相比,路径计算时间减少20%,平均移动时间稳定在20 s。实验结果表明,在即时战略游戏中采用改进后的流场寻路算法能够有效缩短寻路时间,提高智能体移动速度,提升游戏人工智能水平。     

基于陷阱层次的预处理寻路算法

针对当前寻路算法不能很好满足某些实时性应用中需要快速找到最短路径的要求,提出一种基于陷阱层次预处理的寻路算法。通过在预处理阶段探测出陷阱,即在实际搜索中并不需要的区域,在进行路径搜索时削减掉这些区域,使得无用空间的探索大幅度减少,提高了搜索效率。实验结果表明,该算法不但显著地减少了节点数的扩展,节约了搜索时间,而且保证了路径寻找的最优化,对于提高寻路算法的性能是一个切实可行的解决方案。     

一种面向3D场景的实时自动路径搜索方法

提出一种应用于实时渲染3D场景中的路径搜索实现方法,该方法以3D虚拟场景模型中的多边形为基本对象,根据多边形的拓扑关系,将虚拟场景抽象成连通图形式的中间结果。在这个中间结果中,根据场景地形的通用性属性,利用启发式搜索进行路径搜索,并在路径搜索中有效的任务调度机制优化渲染循环中的路径搜索性能。与传统方法比较,该方法不需要在场景中额外增加人工标记,具有良好计算通用性与性能。     

基于灰度图像边缘检测的3D游戏路径搜索*

着重研究了3D游戏中路径搜索算法。其路径搜索算法内容包括障碍认知与标志、A*路径规划、高度代价函数与路径最短相结合的,由计算粒度引出的基于静态障碍物体碰撞检测的动态路径规划。该算法在实际的游戏引擎中进行了测试,其效率和实时性都满足要求。     

基于WGAN-GP的搜索式路径规划算法

为了提升搜索式路径规划算法在C字型障碍中的探索效率,提出了一种基于对抗生成网络的A*算法。首先使用训练更为稳定的梯度惩罚Wasserstein对抗生成网络（WGAN-GP）生成存在可行路径的感兴趣区域;然后使用A*算法优先探索该区域,使得路径规划能够被有效引导;最终形成一条连续的路径。经过实验仿真验证,其相较于传统A*算法节约了31%的规划时间、减少了22.84%的探索空间,提升了路径规划算法的效率。实验结果表明,改进的A*算法具有较高的探索效率,能够更好地应用于机器人路径规划中。     

游戏中寻找路径的改进算法

通过分析A*算法,设计并实现用索引数组和二叉堆表示开放列表的A*改进算法。该算法与用索引数组表示的开放列表相比,可以节省约11%的运行时间。     

基于Silverlight网页游戏的寻径优化算法

为了解决A*路径搜索算法在Silverlight网页游戏中的搜索费时和路径曲折等问题,在结合光线跨越算法和引入父结点指针的二叉堆存储开启列表的A*算法的基础上,提出了一种基于Silverlight网页游戏的寻径优化算法。该算法在现有研究的基础上使用光线跨越算法减小A*算法搜索规模,同时将动态关键点技术与光线跨越算法结合来优化算法返回的路径。将该算法在游戏所使用的网格地图中进行实验,实验结果表明,该算法能够有效地根据系统设定的通行条件寻找出一条最优的实际可行的路径,同时缩短寻路的时间消耗和所寻的路径长度,提高游戏的可玩性。     

应用于机器人路径规划的双向时效A*算法

针对时效A*算法为了大幅减少算法时间,导致路径规划长度增加和路径锯齿过多的问题,提出一种改进的双向时效A*算法,该方法将从起点和终点同时运行时效A*算法寻找路径,并采用多近邻栅格距离计算方案;同时,根据不同环境地图对传统A*算法、时效A*算法和双向时效A*算法运行结果进行对比研究及分析;最后,制定算法时间、路径长度两个指标来评判算法的优劣。实验结果显示,双向时效A*算法相对于传统A*算法,算法时间最大减少76.8%,相对于时效A*算法,时间最大减少55.4%,并解决了时效A*算法规划路径距离增加、路径不够平滑的问题。     

基于蚁群算法及博弈论的多Agent路径规划算法

针对多Agent路径规划问题,提出了一个两阶段的路径规划算法。首先,利用改进的蚁群算法来为每个Agent规划出一条从起始点到目标点,不与环境中静态障碍物碰撞的最优路径。在蚁群算法的改进中引入反向学习方法来对蚂蚁位置进行初始化分布,提高了算法的全局搜索能力;利用粒子群算法中的自适应惯性权重因子来调节信息素强度Q值,使其自适应地变化,避免陷入局部最优;对信息素挥发因子ρ进行调节,提高算法的迭代速度。其次,若多Agent之间存在动态碰撞,利用博弈论构建多Agent之间的动态避障模型,并利用虚拟行动法来解决博弈的求解问题及多Nash均衡的选择问题,确保每个Agent能够快速学习到最优Nash均衡。仿真实验结果表明改进蚁群算法与传统蚁群算法相比在搜索精度与搜索速度上有明显的提高,与Mylvaganam的多Agent动态避障算法相比,所提算法减小了路径总长度并提高了收敛速度。