基于强化学习的非玩家角色AI系统设计与实现

发布时间：2020-08-05 13:38

【摘要】：人工智能(Artificial Intelligence,AI)领域发展迅速,对于强化学习的研究也在诸多领域达到了很好的实际应用效果,配合深度学习的感知能力,使得深度强化学习算法成为了可以解决诸多问题的方法。近年来,我国游戏产业逐渐趋向成熟,消费者对游戏的品质有了更高的要求,使得游戏开发者需要用更多的时间进行游戏的开发,打磨玩法的细节以满足消费者的需求。非玩家角色是游戏中重要的组成部分,非玩家角色人工智能的表现效果可以直接影响到游戏品质,开发者需要一种复杂性低,扩展性良好的非玩家角色AI设计技术。因此,本文为游戏开发团队提供了新的非玩家角色AI的开发方法。本文基于近端策略优化算法设计了一个非玩家角色AI系统,针对游戏中非玩家角色的特点,使用近端策略优化算法进行AI训练,在保证游戏中角色的呈现效果的前提下,减少训练智能代理的难度。通过加入额外的策略网络和经验回放机制,提高了算法在系统中的应用效果。系统通过C/S架构实现算法框架与引擎级非玩家角色AI系统交互,实现游戏环境下非玩家角色获取环境信息与行动信息的交互,完成非玩家角色行动策略模型的训练。本文提出的非玩家角色AI系统基于层级架构设计,降低系统代码的耦合度,基于近端策略优化算法实现AI设计系统核心策略层的设计,提供友好易用的系统API,进一步提高系统的灵活性与易用性。经过测试,本文提出的非玩家角色AI系统在角色智能表现上有着较好的表现,且相较行业主流方法,本系统在开发难度以及扩展性上有着较为明显的提升,可以在开发阶段应用于各种类型的电子游戏中,帮助项目节约开发成本。
【学位授予单位】：东华大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP317;TP18
【图文】：

算法设计效果示意图

登陆界面图

为玩家

【参考文献】

相关硕士学位论文 前1条

1 蔡礼权;基于模糊逻辑推理行为树的游戏AI建模与应用[D];华南理工大学;2017年

本文编号：2781625