论文部分内容阅读
游戏AI主要研究如何让游戏中的生物像人类一样具有智能行为、思维活动或情感等特性。可持续学习的游戏AI是现在的研究热点之一。本文主要做了以下几个方面的工作:1)提出了一种基于BP神经网络的运动类游戏决策系统设计方法。根据运动类游戏的特点,利用BP神经网络赋予决策系统进化学习的能力。同时,利用聚类分析对游戏数据进行处理,获得BP神经网络的训练样本,达到让游戏决策系统持续学习的目的。2)针对运动类游戏的特点确定BP神经网络的结构。根据运动类游戏的特点,确定了神经网络中初始权值、隐含层及激励函数的选取。设计了一个3V3篮球游戏原型作为测试平台与数据源。从游戏中获取玩家数据组成样本,设计实验比较了多种训练算法的训练速度与内存消耗,并确定本文使用Fletcher-Reeves共轭梯度法。3)提出两次聚类的样本处理方法。利用聚类分析对统计数据进行处理,分离运动类游戏中战术倾向不同的矛盾数据,得到战术倾向不同的统计数据集。然后获取统计数据集下的实时数据进行聚类,优化样本分布。最后设计实验,分别使用经过两次聚类处理后的样本和原始数据作为神经网络训练样本,从收敛速度和预测精度进行对比,验证了两次聚类方法的有效性。4)实现了3V3篮球游戏的决策系统原型。为了验证本文提出方法的有效性,以3V3篮球游戏为例,将基于BP神经网络的运动类游戏决策系统应用到3V3篮球游戏中,实现了基于BP神经网络的实时决策模块与基于聚类分析的样本处理模块。使用原始样本、单次聚类样本和二次聚类样本训练神经网络,对训练结果从游戏AI的智能性与辨识度进行比较。结论是该系统能对不同战术倾向的玩家数据进行区分与学习,提高了运动类游戏决策系统的智能性与辨识度。