基于案例推理和进化神经网络技术的计算机游戏智能水平研究

本课题拟对机器学习方法在提高计算机游戏智能中的应用开展探索性的研究。目前大部分游戏仅采用简单的参数调整、启发式规则和模糊状态机来满足其智能需求，直接影响游戏的可玩性。近几年开始有学者注意到机器学习在计算机游戏中的应用，但已有的工作还处于初始阶段。至今还没有文献对游戏的智能水平做出系统分析并提出一种合适的智能水平度量，而基于某种度量，以提高游戏智能为目的的相关技术研究也比较缺乏。基于此，本课题主要开展如下方面的研究：1、对游戏的场景类型、智能水平及可行的智能技术做系统分析，并建立三者之间的关系；2、结合特定类型的场景定义相应量化的游戏智能水平度量；3、建立基于动态案例推理的技术，使游戏中的非玩家角色（NPC）具备从逐渐积累的经验中学习的能力；4、设计进化神经网络算法，使NPC具备自学习、自适应、自我进化的智能特征。此项研究无论从方法研究角度，还是对拓展人工智能技术的应用都有重要的意义.

本课题对机器学习方法在提高计算机游戏智能水平中的应用进行了一系列探索性研究。目前大部分游戏采用参数调整、启发式规则、脚本、有限状态机等简单手段已经不能满足用户对游戏的智能需求。我们提出对特定的游戏类型和游戏场景可以对其智能水平进行度量，并建立相应的学习算法，使游戏中的非玩家角色（NPC）具有积累经验，自适应，自进化的特征。具体做了以下几方面的工作：针对不同游戏场景和任务，建立了智能水平量化标准；基于数据约简和案例推理的机制，对获得的原始数据进行精简和提炼，有助于提高NPC在特定环境下即时反应的效率；在不同类型的游戏中，建立了多种基于进化算法和神经网络的学习方法，训练好的神经网络可用于在线实时过程，取得了快速反应的效果。综上，本项目的研究结果表明机器学习方法（不局限于基于案例的推理，进化算法，神经网络）在计算机游戏中的应用有着广阔的空间，满足游戏的智能需求的同时，也可以满足实时性需求。