即时对战游戏的非玩家角色决策方法研究

发布时间：2025-02-01 20:10

　　游戏中的非玩家角色(游戏AI)一直是游戏人工智能和仿真平台智能体的研究热点。游戏AI的智能程度对提高玩家的游戏体验有重要作用,随着游戏产业的迅猛发展,游戏AI的决策研究在游戏领域有重要意义。采用简单的机器学习方法往往无法实现复杂场景下的自主角色行为。鉴于即时对战游戏中的环境参数与量化金融领域的股票预测数据都具有独立同分布的特性,而基于深度学习的LSTM(长短时记忆单元)股票预测模型已取得很好的成绩,因此在深入研究了游戏环境参数和游戏AI决策的关联性后,本文设计了二级决策机制:游戏AI在对战决策时首先要得到战略决策类别标签,然后依据战略决策类别标签选择相应的战术决策。同时,针对独立游戏AI和联合游戏AI两种不同需求的场景,本文分别设计不同的基于深度学习的决策方法。本文的主要工作可以概括如下:决策样本属性分析及采集:分析游戏环境参数属性与独立游戏AI和联合游戏AI两种不同需求决策的相关性,设计了决策样本环境参数特征属性;利用Windows API的共享内存方法,模仿人类玩家行为,实时采集基于两种需求的游戏AI决策的环境参数样本数据集。游戏AI的独立决策模型:一级战略决策仅包含攻击和撤退两种类...

【文章页数】：73 页

【学位级别】：硕士

【文章目录】：
中文摘要
Abstract
第一章 绪论
    1.1 研究背景
    1.2 国内外研究现状
    1.3 现有技术缺陷和不足
        1.3.1 基于传统算法的游戏AI决策
        1.3.2 基于机器学习的游戏AI决策
    1.4 主要工作和论文结构
第二章 基础理论与相关技术
    2.1 人工智能与即时对战游戏
        2.1.1 人工智能在即时对战游戏AI的研究领域
        2.1.2 即时对战游戏AI战斗的抽象层级
    2.2 深度学习
        2.2.1 机器学习与深度学习
        2.2.2 深度学习基本思想与训练过程
    2.3 循环神经网络
    2.4 寻路算法
        2.4.1 启发式搜索
        2.4.2 Dijkstra寻路算法
        2.4.3 A~*寻路算法
        2.4.4 JPS寻路算法
    2.5 本文总体框架
    2.6 总结
第三章 游戏样本属性选择及采集
    3.1 即时对战游戏
        3.1.1 DOTA类即时对战游戏
        3.1.2 地形与气候
        3.1.3 资源和装备
        3.1.4 推线和单位操控
        3.1.5 游戏单位
            3.1.5.1 英雄
            3.1.5.2 其他游戏单位
    3.2 游戏的环境参数
    3.3 游戏样本属性特征描述
        3.3.1 游戏AI独立决策样本属性特征描述
        3.3.2 联合AI决策样本的特征描述
    3.4 游戏样本采集
    3.5 本章小结
第四章 游戏AI的独立决策
    4.1 LSTM神经网络
    4.2 LSTM神经网络结构
        4.2.1 cell和门结构
        4.2.2 LSTM神经网络训练过程
        4.2.3 BLSTM神经网络
    4.3 游戏AI对战的一级决策
        4.3.1 一级战略决策模型构建
        4.3.2 模型参数设定
        4.3.3 实验结果
    4.4 游戏AI对战的二级决策
        4.4.1 二级战术决策模型构建
        4.4.2 模型参数设定
        4.4.3 实验结果
        4.4.4 路径规划
            4.4.4.1 JPS+寻路算法
            4.4.4.2 实验结果
    4.5 本章小结
第五章 多AI的联合决策
    5.1 联合AI机制
    5.2 联合AI模型构建
    5.3 实验结果
    5.4 本章小结
结论
参考文献
致谢
个人简历
在学期间的研究成果



本文编号：4029571