论文摘要
近年来,游戏的图形质量已发展到近乎极致的地步,人工智能(AI)已经成为决定一款游戏以及游戏开发工作室命运的重要因素。下一代的3D游戏不仅会有优秀的视觉效果,更会像人一样狡猾和聪明。由于国内还没有展开全面研究和应用,而且本文研究并实现的AI技术在一定程度上提高了游戏智能,因此该课题具有一定的学术和应用价值。本文目标是构建一个基本图形渲染引擎,以这个渲染引擎为平台,对若干基于规则和机器学习的AI技术进行了深入研究和实现,并应用若干机器学习技术实现了游戏中一些常见问题的求解。首先构建图形渲染引擎,功能有:完整流水线,物体剔除,背面消除,欧拉相机,光照模型,固定、恒定和Gouraud着色方法,3D裁剪,深度排序。然后研究实现了若干基于规则的AI技术。基于规则的AI技术包括:确定性运动算法、随机运动算法、跟踪闪避算法、群聚算法、模式运动技术、行为建模的有穷自动机技术和A*算法等。最后采用机器学习中的遗传算法和人工神经网络,实现了游戏中以下问题的求解:1.寻路问题。一条染色体代表一条路径。实验表明遗传算法对结果的不可预知性可以有效地提高寻路的智能;2.飞行物体的着陆问题。染色体由飞行物体的运行方式组成。实验表明遗传算法对结果的不可预知性使得降落更加智能化,不需要人工的干预;3.障碍物绕行问题。使用遗传算法改进神经网络的权值;利用以智能体中心为出发点的5条射线模拟传感器感知环境。经过768代的进化,遗传算法种群最优适应度和平均适应度都有了明显提高,绕行成功率从12.5%上升到85%;4.鼠标轨迹识别问题。神经网络权值由反向传播算法学习更新;采用1200个样例训练,误差阈值为34.0037,另外1200个样例测试,将神经网络与SVM做了实验对比,得出结论:神经网络和SVM的正确分类样本数分别为1125和1185,错误分类样本数分别为75和15,正确率分别为93.75%和98.75%。下一步工作,希望将这些AI技术有机地结合起来,整合为一个AI引擎,应用在实际的游戏项目中。
论文目录
摘要ABSTRACT1 绪论1.1 课题背景和研究意义1.2 课题研究现状简介1.3 论文的主要工作1.4 论文的组织结构2 游戏中人工智能技术的介绍2.1 游戏中人工智能概述2.1.1 游戏中人工智能的定义2.1.2 游戏中人工智能的作用2.1.3 游戏中人工智能的分类2.1.4 游戏中人工智能的发展前景2.2 游戏中人工智能技术的现状2.2.1 基于规则的智能技术2.2.2 基于机器学习的智能技术2.2.3 可扩展的AI2.3 本章小结3 图形渲染引擎的构建3.1 2D 图形渲染引擎的构建3.2 3D 图形渲染引擎概述3.3 3D 图形渲染引擎的构建3.4 本章小结4 游戏中基于规则的智能技术应用研究4.1 确定性运动算法4.2 随机运动算法4.3 跟踪和闪避算法4.3.1 基本的跟踪和闪避算法4.3.2 视线跟踪算法4.4 群聚算法4.4.1 群聚算法基本思想4.4.2 邻居的搜寻方法4.4.3 聚合4.4.4 对齐4.4.5 分离4.5 模式运动技术4.6 行为建模的有穷自动机技术4.7 A*算法寻路技术4.7.1 A*搜索策略概述4.7.2 A*算法的寻路过程4.8 本章小结5 游戏中基于机器学习的智能技术应用研究5.1 遗传算法和人工神经网络技术简介5.1.1 遗传算法简介5.1.2 人工神经网络简介5.2 求解智能体的路径搜寻问题5.2.1 路径搜寻问题概述5.2.2 路径搜寻问题的遗传算法参数设计5.3 求解飞行物体的着陆问题5.3.1 飞行物体着陆问题概述5.3.2 飞行物体降落问题的遗传算法参数设计5.4 求解障碍物绕行问题5.4.1 障碍物绕行问题概述5.4.2 无监督神经网络方法概述5.4.3 障碍物绕行问题的无监督神经网络设计5.5 求解智能体的鼠标轨迹识别问题5.5.1 鼠标轨迹识别问题概述5.5.2 BP 神经网络概述5.5.3 训练和测试数据的获取5.5.4 鼠标识别问题的BP 神经网络设计5.5.5 鼠标识别问题的SVM 实验设计5.6 本章小结6 基于机器学习的智能技术的实现和实验结果6.1 实验环境6.2 路径搜寻问题的实现及其结果分析6.3 飞行物体着陆问题的实现及其结果分析6.4 障碍物绕行问题的实现及其结果分析6.5 鼠标轨迹识别问题的实现及其结果分析6.6 本章小结7 总结与展望7.1 全文总结7.2 展望致谢参考文献附录A. 作者在攻读学位期间发表的论文目录B. 作者在攻读学位期间取得的科研成果目录
相关论文文献
标签：图形渲染引擎论文; 基于规则的人工智能论文; 机器学习论文;
