基于行為樹的游戲智能研究.pdf

1、有限狀態(tài)機(jī)機(jī)制決策死板，不具有靈活性，模糊狀態(tài)機(jī)能帶來一定合理的隨機(jī)性，但缺乏適應(yīng)性。行為樹已然成為當(dāng)前主流的游戲智能技術(shù)，然而傳統(tǒng)的行為樹設(shè)計(jì)很難與機(jī)器學(xué)習(xí)技術(shù)融合，并且在設(shè)計(jì)群體智能時，將戰(zhàn)略戰(zhàn)術(shù)以及行為級的智能決策用唯一的一顆行為樹來表示的話，會造成決策的冗余、效率的低下以及魯棒性的降低。本文研究在行為樹中進(jìn)行在線學(xué)習(xí)的方法，并探討了行為樹對群體智能的支持，提出了分層行為樹的架構(gòu)。主要工作包括:
　　提出一種基于行為樹的預(yù)處

2、理與在線學(xué)習(xí)結(jié)合的方法。對行為樹進(jìn)行改造，為其引入Q-Condition節(jié)點(diǎn)以替換原來的條件節(jié)點(diǎn)，再結(jié)合Q-learning學(xué)習(xí)算法在線學(xué)習(xí)更新此節(jié)點(diǎn)信息，同時根據(jù)學(xué)習(xí)得來的穩(wěn)定Q值信息來為行為樹帶權(quán)值的選擇節(jié)點(diǎn)動態(tài)分配合理的權(quán)值，以此給行為樹所控制角色的行為注入合理的隨機(jī)性。
　　提出了基于行為樹的層次決策架構(gòu)。利用行為樹分層決策，戰(zhàn)略層、戰(zhàn)術(shù)層與行動層可根據(jù)自身特點(diǎn)分別設(shè)計(jì)合適的行為樹，不同層次的行為樹之間利用消息或命令實(shí)現(xiàn)高