基于同时进化神经网络的团队游戏智能的设计

论文摘要

进化神经网络算法在人工智能以及设计游戏中非玩者角色（Non-playablecharacter-NPC）智能领域中越来越引起人们的注目。利用进化神经网络算法来设计游戏非玩者角色智能,能够让非玩者角色变得智能化,并且使得游戏更具有生动感,但是通常存在下面两种问题:（1）NPC处的状况越复杂,使得人工神经网络的输入层的神经元的个数越多,需要过多的运算时间;（2）正确设计适应度函数,使非玩者角色通过进化,能够变成自适应游戏环境的高智能化的个体。本文设计了同时进化神经网络,通过在进化神经元的个数超过100个的神经网络的过程当中,删除或保留一些不必要的连接来减少了进化以及评价过程当中的运算量的同时得到最优解。为了证实算法的可靠性,在Darwin Platform（支持各种人工智能算法的游戏设计平台）上进行了测试:由红,蓝两队5:5组成的足球比赛中,用同时进化神经网络算法来进化红队的两个攻击手。蓝队以及红队的其他选手都由有限状态机器来控制,蓝队助红对攻击手的进化过程。通过实验,红对的攻击手能够成功作出适合足球游戏的一系列动作,同时鉴定了同时进化神经网络的可靠性。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 课题背景
• 1.2 Darwin-Platform
• 1.3 课题研究目的和意义
• 1.4 主要研究内容
• 第2章 相关研究
• 2.1 进化神经网络
• 2.1.1 进化神经网络的研究
• 2.1.2 遗传算法应用在强化学习领域中
• 2.2 进化神经网络应用在游戏领域当中的例子
• 2.2.1 BP网络作为非玩者角色的感知系统应用在游戏智能的设计
• 2.2.2 Enforced Sub-Populations应用在捕捉游戏智能的设计
• 2.2.3 NeuroEvolution of Augmenting Topologies应用在枪战游戏智能的设计
• 2.3 本章小结
• 第3章 同时进化神经网络
• 3.1 程序的主要步骤
• 3.2 NEPlayer的主要构造
• 3.3 NEPlayer的适应度函数的设计
• 3.4 本章小结
• 第4章 实验
• 4.1 实验详述
• 4.2 实验结果
• 4.3 本章小结
• 结论
• 参考文献
• 攻读硕士学位期间发表的学术论文
• 致谢