如何使用神經網絡來解決「軟」解決方案？

我正在考慮使用神經網絡在我正在構建的太空射擊遊戲中爲我的敵人施加力量，我在想;當網絡沒有一套明確的良好輸出時，你如何訓練神經網絡？如何使用神經網絡來解決「軟」解決方案？

2009-10-25 RCIX

我恨你拍下來，但有限狀態機更容易編程和平衡，處理異常情況_better_和共同解決遊戲AI。見http://au.gamespy.com/pc/fear/698080p1.html – 2009-10-25 08:25:08

對不起，我的意思是把你鏈接到這個頁面 - 恐懼人工智能 - 他們是如何做到的（一個偉大的閱讀，至少看看想法）http： //web.media.mit.edu/~jorkin/gdc2006_orkin_jeff_fear.pdf – 2009-10-25 08:27:28

我確定我寧願使用FSM以外的東西。他們可以很容易地勝過足夠的時間，然後再玩它真的沒什麼樂趣。有了一個不斷學習的神經網絡，它可能會適應敵人的戰術。除此之外，如果你仍然認爲這是一個糟糕的主意，那麼將其視爲一個學術問題。 – RCIX 2009-10-25 08:31:22

我正在研究神經網絡，他們似乎沒有明確定義的輸入和輸出編碼，它們根本不會擴展到複雜度（請參閱http://en.wikipedia.org/wiki/VC_dimension）。這就是爲什麼神經網絡研究自20多年前的最初炒作以來應用程度如此之低的原因，而基於語義/狀態的人工智能佔據了所有人的興趣，因爲它在現實應用程序中取得了成功。

所以，一個很好的起點可能是弄清楚如何用數字表示遊戲狀態作爲神經網絡的輸入。
接下來的事情是弄清楚什麼樣的輸出會對應於遊戲中的動作。
想想神經網絡的使用結構。爲了從神經網絡中獲得有趣的複雜行爲，網絡幾乎必須經常發生。你需要一個經常性的網絡，因爲他們有'記憶'，但除此之外，你沒有其他的東西可以繼續。然而，具有任何複雜結構的經常性網絡實際上很難訓練。
神經網絡已經成功的領域往往是分類（圖像，音頻，語法等）和有限的統計預測成功（我們期望在這個詞後面會出現什麼詞，明天的股票價格會是什麼？）

總之，對於遊戲的一小部分而不是核心敵人AI來說，使用神經網絡可能更好。

來源

2009-10-25 08:57:49

我認爲我可以使用基本輸入，例如健康，當前速度和球員方向/距離輸入，然後有拍攝方向，當前拍攝值和推力矢量或轉速加速/減速值。另外，你能提供一個關於「復發」神經網絡的更多信息的鏈接嗎？對他們不熟悉。 – RCIX 2009-10-25 09:12:25

經常性網絡意味着輸出作爲輸入被反饋回神經元。有許多不同類型的神經網絡具有不同的行爲。一些簡單的有埃爾曼網絡http://wiki.tcl.tk/15206 和Hopfield網絡 http://en.wikipedia.org/wiki/Hopfield_network 有不可多的一般信息關於他們如何工作，他們」什麼對你有好處，所以你最好在大學講義和谷歌學者的論文中查找。再一次，原因是這項研究大部分都沒有離開學術界，因爲使用它們來解決實際問題是非常困難的。 – 2009-10-25 09:51:08

你可以查看AI Dynamic game difficulty balancing各種AI技術和參考。

（IMO，可以實現敵人的行爲，像「包圍敵人」，這將是非常酷的，不鑽研先進的AI概念）

編輯：既然你正在做一個空間射擊遊戲並且你想爲你的敵人提供某種AI，我相信你會發現這個鏈接很有趣：Steering Behaviors For Autonomous Characters

來源

2009-10-25 08:54:43

這很有趣。看起來我至少可以設計一款遊戲，通過神經網絡提供動態的難度，找出玩家何時玩得開心。 – RCIX 2009-10-25 09:15:40

您是否認爲可以輕鬆修改FSM以響應刺激？它畢竟只是一張數字表，你可以將它放在內存的某個地方，隨時更改數字。我在我的一篇博客中寫了一篇關於這方面的文章，很奇怪的是它被一些遊戲AI新聞網站收錄。然後，誰建立了一個可以擊敗人類並獲得真實消息的女士Pacman AI的傢伙，在我的博客上留下了評論，並提供了更多有用信息的鏈接

這是我的博客帖子，內容是關於某些想法的我的incoherant ramblings關於使用馬爾可夫鏈來不斷適應遊戲環境，或許將計算機已經瞭解的有關遊戲者對遊戲情況的反應的東西進行了疊加和組合。

http://bustingseams.blogspot.com/2008/03/funny-obsessive-ideas.html

和這裏的鏈接有關強化學習先生的真棒資源。 smarty mcpacman爲我發佈。

http://www.cs.ualberta.ca/%7Esutton/book/ebook/the-book.html

這裏是另一個很酷的鏈接

http://aigamedev.com/open/architecture/online-adaptation-game-opponent/

這些都不是神經網絡的方法，但是他們並適應不斷學習，也很可能是更適合於遊戲比神經網絡。

來源

2009-10-25 11:19:56 Breton

有趣的方法，我會檢查出這些鏈接 – RCIX 2009-10-25 22:56:35

我將把你們兩個的馬修·巴克蘭的書。

第二本書進入反向傳播ANN，這是大多數人的意思，當他們談論NN反正。