CN107441709A - 基于模糊行为树的游戏智能体动作序列生成方法 - Google Patents

基于模糊行为树的游戏智能体动作序列生成方法 Download PDF

Info

Publication number
CN107441709A
CN107441709A CN201710409701.4A CN201710409701A CN107441709A CN 107441709 A CN107441709 A CN 107441709A CN 201710409701 A CN201710409701 A CN 201710409701A CN 107441709 A CN107441709 A CN 107441709A
Authority
CN
China
Prior art keywords
fuzzy
node
behavior tree
action
intelligence body
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201710409701.4A
Other languages
English (en)
Other versions
CN107441709B (zh
Inventor
黄翰
蔡礼权
郝志峰
蔡瑞初
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
South China University of Technology SCUT
Original Assignee
South China University of Technology SCUT
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by South China University of Technology SCUT filed Critical South China University of Technology SCUT
Priority to CN201710409701.4A priority Critical patent/CN107441709B/zh
Publication of CN107441709A publication Critical patent/CN107441709A/zh
Application granted granted Critical
Publication of CN107441709B publication Critical patent/CN107441709B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63F—CARD, BOARD, OR ROULETTE GAMES; INDOOR GAMES USING SMALL MOVING PLAYING BODIES; VIDEO GAMES; GAMES NOT OTHERWISE PROVIDED FOR
    • A63F13/00—Video games, i.e. games using an electronically generated display having two or more dimensions
    • A63F13/60—Generating or modifying game content before or while executing the game program, e.g. authoring tools specially adapted for game development or game-integrated level editor
    • A63F13/65—Generating or modifying game content before or while executing the game program, e.g. authoring tools specially adapted for game development or game-integrated level editor automatically by game devices or servers from real world data, e.g. measurement in live racing competition
    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63F—CARD, BOARD, OR ROULETTE GAMES; INDOOR GAMES USING SMALL MOVING PLAYING BODIES; VIDEO GAMES; GAMES NOT OTHERWISE PROVIDED FOR
    • A63F2300/00—Features of games using an electronically generated display having two or more dimensions, e.g. on a television screen, showing representations related to the game
    • A63F2300/60—Methods for processing data by generating or executing the game program

Landscapes

  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种基于模糊行为树的游戏智能体动作序列生成方法。用户输入一个模糊行为树文件和一组游戏智能体的状态变量，然后使用基于模糊行为树的游戏智能体动作序列生成方法对游戏智能体在指定状态下的动作序列进行预测，经过解析模糊行为树文件和构建模糊行为树、计算和分析模糊行为树中节点的执行期望以及遍历和执行模糊行为树，最终输出一个动作序列。本发明根据游戏智能体的状态变量，计算模糊行为树中多个动作的执行期望，对游戏智能体的动作执行倾向进行预测。通过对模糊行为树中动作执行期望的计算和分析，本发明适用于状态变量较多、行为逻辑复杂的游戏智能体，可以输出该智能体在指定状态下较为合理、准确的动作序列。

Description

基于模糊行为树的游戏智能体动作序列生成方法
技术领域
本发明涉及人工智能领域，具体涉及基于模糊行为树的游戏智能体动作序列生成方法。
背景技术
随着硬件性能的逐步提升以及流行文化的繁荣发展，电子游戏一直在进步并迎合了不同时代的市场需求，如今电子游戏已成为人们主要的休闲娱乐方式之一。对于电子游戏，游戏智能体的智能水平是影响游戏难度、游戏体验以及吸引游戏玩家的重要因素。其中，游戏智能体的动作序列是影响智能体在游戏中的行为、反应以及智能表现的关键因素，游戏开发者需要获得游戏智能体的动作序列，有效安排游戏智能体在执行动作时的动画音效等播放顺序以及计算游戏智能体在执行动作过程产生的运动信息。对此，游戏开发者需要一种能够快速且准确地获取游戏智能体动作序列的方法。
目前的游戏智能体动作序列生成方法可以在游戏智能体的行为逻辑设计良好的情况下获取合理的动作序列。然而随着游戏智能体状态变量的增加以及行为逻辑的复杂化，常用的游戏智能体动作序列生成方法得到的动作序列往往具有一定的不合理性和错误性，较大地影响了游戏开发者对游戏智能体的状态信息的处理。
发明内容
本发明针对现有游戏智能体动作序列生成技术的不足，提供了基于模糊行为树的游戏智能体动作序列生成方法。本发明的目的在于使用人工智能技术解决在状态变量较多、行为逻辑复杂的游戏智能体动作序列的准确生成问题，克服现有的游戏智能体动作序列生成技术的缺陷，提供一个快速的、合理的、准确的游戏智能体动作序列生成方案，具体技术方案如下。
基于模糊行为树的游戏智能体动作序列生成方法，包括以下步骤：
(a)用户输入一个模糊行为树文件和一组游戏智能体的状态变量；
(b)解析步骤(a)得到的模糊行为树文件，构建一个模糊行为树；
(c)根据步骤(a)得到的状态变量，对步骤(b)得到的模糊行为树进行分析，计算模糊行为树
中各个节点的执行期望；
(d)从模糊行为树的根节点开始，根据模糊行为树节点的执行逻辑和步骤(c)得到的节点的执行期望对节点进行遍历和执行，将执行成功的动作节点放入动作列表中；
(e)根据步骤(d)得到的动作列表，生成并输出动作序列。
进一步地，步骤(a)中，采用的模糊行为树文件定义了模糊行为树的数据结构，所述的模糊行为树文件包括以下内容：一组模糊变量的定义，每个模糊变量包括模糊变量编号和一组模糊集合，每个模糊集合包括模糊集合编号、模糊集合语义、隶属函数类型以及隶属函数模板参数；一组模糊规则的定义，每个模糊规则包括模糊规则编号、作为前提的模糊集合运算表达式和作为结论的模糊集合；一组动作执行条件的定义，每个动作执行条件包括动作编号、期望阈值和一组模糊规则编号；一组模糊行为树节点的信息定义，每个模糊行为树节点包括节点编号、节点名称、节点类型、动作编号、父节点编号以及左兄弟编号。
进一步地，步骤(b)包括以下步骤：
(b‐1)解析模糊行为树文件中模糊变量的定义格式，使用预定义的隶属函数模板生成隶属函数和模糊集合，以此构建所有的模糊变量；
(b‐2)解析模糊行为树文件中模糊规则的定义格式，将步骤(b‐1)得到的模糊变量中的模糊集合作为模糊规则的前提和结论，构建所有的模糊规则；
(b‐3)解析模糊行为树文件中动作执行条件的定义格式，结合模糊变量和步骤(b‐2)得到的模糊规则，根据模糊推理的执行逻辑构建模糊逻辑模块；
(b‐4)结合步骤(b‐3)得到的模糊逻辑模块和模糊行为树的前提节点，构建模糊前提节点； (b‐5)解析模糊行为树文件中节点信息的定义格式，结合步骤(b‐4)得到模糊前提节点和该节点对应动作的动作编号，构建带期望值的动作节点；
(b‐6)解析模糊行为树文件中节点信息的定义格式，构建模糊行为树的组合节点。
(b‐7)解析模糊行为树文件中节点信息的定义格式，结合步骤(b‐5)得到的带期望值的动作节点和步骤(b‐6)得到的其他模糊行为树节点，构建一个表示游戏智能体动作执行逻辑的模糊行为树。
上述基于模糊行为树的游戏智能体动作序列生成方法中，使用模糊前提节点取代一般行为树的条件节点，将其组合到带期望值的动作节点中。
进一步地，步骤(b‐6)中，构建的模糊行为树的组合节点包括带期望值的顺序节点和带期望值的选择节点。
进一步地，步骤(c)包括以下步骤：
(c‐1)根据步骤(a)得到的游戏智能体的状态变量，结合步骤(b)得到的模糊行为树，计算状态变量对应模糊行为树中模糊变量的模糊量；
(c‐2)对于模糊行为树中每个带期望值的动作节点，根据步骤(c‐1)获得的模糊量，使用 Mandani推理法计算该节点中每条模糊规则的置信度；
(c‐3)对于模糊行为树中每个带期望值的动作节点，根据步骤(c‐2)获得的模糊规则的置信度，使用最大‐平均算法对该节点中所有模糊规则的置信度进行合并，得到该节点的执行期望；
(c‐4)根据步骤(c‐3)中获得的所有带期望值的动作节点的执行期望，自底向上更新模糊行为树中组合节点的执行期望，组合节点的执行期望为它的子节点执行期望的最大值。
进一步地，步骤(d)包括以下步骤：
(d‐1)初始化动作列表为空；
(d‐2)根据步骤(b)构建的模糊行为树和步骤(c)获得的模糊行为树节点执行期望，从根节点开始执行节点；
(d‐3)对于当前执行的节点：若执行的节点是带期望值的顺序节点，执行步骤(d‐4a)；若执行的节点是带期望值的选择节点，执行步骤(d‐4b)；若执行的节点是带期望值的动作节点，执行步骤(d‐4c)；
(d‐4a)根据步骤(d‐3)依次执行子节点；若有子节点执行失败，则中断执行，对父节点返回失败；若有子节点执行成功，则继续执行下一个子节点；若所有子节点都执行成功，则对父节点返回成功；
(d‐4b)根据节点的执行期望对子节点进行降序排列，根据排列顺序和步骤(d‐3)依次执行子节点；若有子节点执行成功，则对父节点返回成功；若所有子节点都执行失败，则对父节点返回失败；
(d‐4c)若该节点的执行期望小于该节点的期望阈值，对父节点返回失败；反之则将节点中的动作编号放入动作列表中，并对父节点返回成功；
(d‐5)重复执行步骤(d‐3)直到模糊行为树遍历完成。
本发明对输入的模糊行为树文件进行解析，构建了一个模糊行为树；根据游戏智能体的状态变量，计算并分析得到带期望值的动作节点的执行期望，以此自底向上更新所有模糊行为树节点的执行期望，完成了对所有模糊行为树节点执行倾向的评估；根据节点的执行期望，从模糊行为树的根节点开始执行，根据不同的节点类型选择不同执行逻辑，并将执行成功的动作节点中的动作编号放入动作列表中，最终根据动作列表生成并输出动作序列。
与现有技术相比，本发明具有如下优点和技术效果：
相对于现有游戏智能体动作序列生成技术，本发明克服了在状态变量较多、行为逻辑复杂下生成的游戏智能体动作序列不合理、错误率高等缺点，并具有计算快速、可靠且准确性高等特点。本发明采用模糊逻辑结合一般行为树的方法，提出了带期望值的模糊行为树节点并以此构建了模糊行为树，可以对游戏智能体的行为逻辑进行更有效的描述。通过计算节点的执行期望并以此对节点的执行倾向进行预测，使得本发明能适用于状态变量较多、行为逻辑复杂的游戏智能体。
附图说明
图1为实施方式中基于模糊行为树的游戏智能体动作序列生成方法的流程图。
图2为实施方式中构建的模糊行为树中模糊前提节点的结构图
图3为实施方式中构建的模糊行为树中带期望值的动作节点的结构图。
图4为实施方式中构建的模糊行为树中带期望值的顺序节点的结构图。
图5为实施方式中构建的模糊行为树中带期望值的选择节点的结构图。
图6为实施例中模糊变量的定义格式示意图。
图7为实施例中模糊规则的定义格式示意图。
图8为实施例中动作执行条件的定义格式示意图。
图9为实施例中模糊行为树节点信息的定义格式示意图。
具体实施方式
以下结合附图对本发明的实施方式作进一步说明，但本发明的实施不限于此。
如图1，基于模糊行为树的游戏智能体动作序列生成方法的主要流程包括以下步骤：
(a)输入模糊行为树文件和游戏智能体的状态变量；
(b)解析模糊行为树文件，构建模糊行为树；
(c)计算带期望值的动作节点的执行期望，自底向上更新所有节点的执行期望；
(d)遍历和执行模糊行为树，生成动作序列；
(e)输出动作序列。
步骤(a)允许用户输入一个模糊行为树文件和一组游戏智能体的状态变量。所述的模糊行为树文件包括以下内容：一组模糊变量的定义，每个模糊变量包括模糊变量编号和一组模糊集合，每个模糊集合包括模糊集合编号、模糊集合语义、隶属函数类型以及隶属函数模板参数；一组模糊规则的定义，每个模糊规则包括模糊规则编号、作为前提的模糊集合运算表达式和作为结论的模糊集合；一组动作执行条件的定义，每个动作执行条件包括动作编号、期望阈值和一组模糊规则编号；一组模糊行为树节点的信息定义，每个模糊行为树节点包括节点编号、节点名称、节点类型、动作编号、父节点编号以及左兄弟编号。
该模糊行为树文件的内容要求符合模糊行为树的结构定义，文件内容的定义格式分别如图6‐图9所示(其中的空白格即为对应的格式)。
步骤(b)解析模糊行为树文件的内容并以此构建一个模糊行为树。先初始化模糊变量、模糊规则以及动作执行条件，然后构建模糊前提节点和模糊行为树节点，再以此构建模糊行为树。其中模糊行为树节点的结构如图2、图3、图4和图5所示，图中的节点期望值表示节点的执行期望。
步骤(b)包括以下步骤：
(b‐1)解析模糊行为树文件中模糊变量的定义格式，使用预定义的隶属函数模板生成隶属函数和模糊集合，以此构建所有的模糊变量；
(b‐2)解析模糊行为树文件中模糊规则的定义格式，将步骤(b‐1)得到的模糊变量中的模糊集合作为模糊规则的前提和结论，构建所有的模糊规则；
(b‐3)解析模糊行为树文件中动作执行条件的定义格式，结合模糊变量和步骤(b‐2)得到的模糊规则，根据模糊推理的执行逻辑构建模糊逻辑模块；
(b‐4)结合步骤(b‐3)得到的模糊逻辑模块和模糊行为树的前提节点，构建模糊前提节点； (b‐5)解析模糊行为树文件中节点信息的定义格式，结合步骤(b‐4)得到模糊前提节点和该节点对应动作的动作编号，构建带期望值的动作节点；
(b‐6)解析模糊行为树文件中节点信息的定义格式，构建模糊行为树的组合节点。
(b‐7)解析模糊行为树文件中节点信息的定义格式，结合步骤(b‐5)得到的带期望值的动作节点和步骤(b‐6)得到的其他模糊行为树节点，构建一个表示游戏智能体动作执行逻辑的模糊行为树。
步骤(c)是在步骤(b)得到模糊行为树的基础上，使用模糊逻辑推理方法计算模糊行为树节点的执行期望。模糊逻辑推理方法的主要原理是，将精确数值模糊化得到模糊量，然后通过模糊规则推理其结论的置信度，最后使用反模糊化算法合并结论的置信度得到一个精确的输出值。模糊逻辑推理方法中使用Mandani推理法作为模糊规则的推理方法，使用最大‐平均算法作为反模糊化算法。
步骤(c)包括以下步骤：
(c‐1)根据步骤(a)得到的游戏智能体的状态变量，结合步骤(b)得到的模糊行为树，计算状态变量对应模糊行为树中模糊变量的模糊量；
(c‐2)对于模糊行为树中每个带期望值的动作节点，根据步骤(c‐1)获得的模糊量，使用 Mandani推理法计算该节点中每条模糊规则的置信度；
(c‐3)对于模糊行为树中每个带期望值的动作节点，根据步骤(c‐2)获得的模糊规则的置信度，使用最大‐平均算法对该节点中所有模糊规则的置信度进行合并，得到该节点的执行期望；
(c‐4)根据步骤(c‐3)中获得的所有带期望值的动作节点的执行期望，自底向上更新模糊行为树中组合节点的执行期望，组合节点的执行期望为它的子节点执行期望的最大值。
步骤(d)是在步骤(c)得到模糊行为树节点执行期望的基础上，从模糊行为树的根节点开始，根据模糊行为树节点的执行逻辑对节点进行遍历和执行，将执行成功的带期望值的动作节点的动作编号放入动作列表中。
步骤(d)包括以下步骤：
(d‐1)初始化动作列表为空；
(d‐2)根据步骤(b)构建的模糊行为树和步骤(c)获得的模糊行为树节点执行期望，从根节点开始执行节点；
(d‐3)对于当前执行的节点：若执行的节点是带期望值的顺序节点，执行步骤(d‐4a)；若执行的节点是带期望值的选择节点，执行步骤(d‐4b)；若执行的节点是带期望值的动作节点，执行步骤(d‐4c)；
(d‐4a)根据步骤(d‐3)依次执行子节点；若有子节点执行失败，则中断执行，对父节点返回失败；若有子节点执行成功，则继续执行下一个子节点；若所有子节点都执行成功，则对父节点返回成功；
(d‐4b)根据节点的执行期望对子节点进行降序排列，根据排列顺序和步骤(d‐3)依次执行子节点；若有子节点执行成功，则对父节点返回成功；若所有子节点都执行失败，则对父节点返回失败；
(d‐4c)若该节点的执行期望小于该节点的期望阈值，对父节点返回失败；反之则将节点中的动作编号放入动作列表中，并对父节点返回成功；
(d‐5)重复执行步骤(d‐3)直到模糊行为树遍历完成。
步骤(e)根据步骤(d)得到的动作列表，依次读取动作列表中动作编号，生成并输出一个动作序列。

Claims (7)

1.基于模糊行为树的游戏智能体动作序列生成方法，其特征在于，包括以下步骤：
(a)用户输入一个模糊行为树文件和一组游戏智能体的状态变量；
(b)解析步骤(a)得到的模糊行为树文件，构建一个模糊行为树；
(c)根据步骤(a)得到的状态变量，对步骤(b)得到的模糊行为树进行分析，计算模糊行为树中各个节点的执行期望；
(d)从模糊行为树的根节点开始，根据模糊行为树节点的执行逻辑和步骤(c)得到的节点的执行期望对节点进行遍历和执行，将执行成功的动作节点放入动作列表中；
(e)根据步骤(d)得到的动作列表，生成并输出动作序列。
2.根据权利要求1所述基于模糊行为树的游戏智能体动作序列生成方法，其特征在于步骤(a)中采用的模糊行为树文件定义了模糊行为树的数据结构，所述的模糊行为树文件包括以下内容：一组模糊变量的定义，每个模糊变量包括模糊变量编号和一组模糊集合，每个模糊集合包括模糊集合编号、模糊集合语义、隶属函数类型以及隶属函数模板参数；一组模糊规则的定义，每个模糊规则包括模糊规则编号、作为前提的模糊集合运算表达式和作为结论的模糊集合；一组动作执行条件的定义，每个动作执行条件包括动作编号、期望阈值和一组模糊规则编号；一组模糊行为树节点的信息定义，每个模糊行为树节点包括节点编号、节点名称、节点类型、动作编号、父节点编号以及左兄弟编号。
3.根据权利要求1所述基于模糊行为树的游戏智能体动作序列生成方法，其特征在于，步骤(b)包括以下步骤：
(b‐1)解析模糊行为树文件中模糊变量的定义格式，使用预定义的隶属函数模板生成隶属函数和模糊集合，以此构建所有的模糊变量；
(b‐2)解析模糊行为树文件中模糊规则的定义格式，将步骤(b‐1)得到的模糊变量中的模糊集合作为模糊规则的前提和结论，构建所有的模糊规则；
(b‐3)解析模糊行为树文件中动作执行条件的定义格式，结合模糊变量和步骤(b‐2)得到的模糊规则，根据模糊推理的执行逻辑构建模糊逻辑模块；
(b‐4)结合步骤(b‐3)得到的模糊逻辑模块和模糊行为树的前提节点，构建模糊前提节点；
(b‐5)解析模糊行为树文件中节点信息的定义格式，结合步骤(b‐4)得到模糊前提节点和该节点对应动作的动作编号，构建带期望值的动作节点；
(b‐6)解析模糊行为树文件中节点信息的定义格式，构建模糊行为树的组合节点。
(b‐7)解析模糊行为树文件中节点信息的定义格式，结合步骤(b‐5)得到的带期望值的动作节点和步骤(b‐6)得到的其他模糊行为树节点，构建一个表示游戏智能体动作执行逻辑的模糊行为树。
4.根据权利要求3所述基于模糊行为树的游戏智能体动作序列生成方法，其特征在于步骤(b‐5)中，使用模糊前提节点取代一般行为树的条件节点，将其组合到带期望值的动作节点中。
5.根据权利要求3所述基于模糊行为树的游戏智能体动作序列生成方法，其特征在于步骤(b‐6)中，构建的模糊行为树的组合节点包括带期望值的顺序节点和带期望值的选择节点。
6.根据权利要求1所述基于模糊行为树的游戏智能体动作序列生成方法，其特征在于，步骤(c)包括以下步骤：
(c‐1)根据步骤(a)得到的游戏智能体的状态变量，结合步骤(b)得到的模糊行为树，计算状态变量对应模糊行为树中模糊变量的模糊量；
(c‐2)对于模糊行为树中每个带期望值的动作节点，根据步骤(c‐1)获得的模糊量，使用Mandani推理法计算该节点中每条模糊规则的置信度；
(c‐3)对于模糊行为树中每个带期望值的动作节点，根据步骤(c‐2)获得的模糊规则的置信度，使用最大‐平均算法对该节点中所有模糊规则的置信度进行合并，得到该节点的执行期望；
(c‐4)根据步骤(c‐3)中获得的所有带期望值的动作节点的执行期望，自底向上更新模糊行为树中组合节点的执行期望，组合节点的执行期望为它的子节点执行期望的最大值。
7.根据权利要求1所述基于模糊行为树的游戏智能体动作序列生成方法，其特征在于，步骤(d)包括以下步骤：
(d‐1)初始化动作列表为空；
(d‐2)根据步骤(b)构建的模糊行为树和步骤(c)获得的模糊行为树节点执行期望，从根节点开始执行节点；
(d‐3)对于当前执行的节点：若执行的节点是带期望值的顺序节点，执行步骤(d‐4a)；若执行的节点是带期望值的选择节点，执行步骤(d‐4b)；若执行的节点是带期望值的动作节点，执行步骤(d‐4c)；
(d‐4a)根据步骤(d‐3)依次执行子节点；若有子节点执行失败，则中断执行，对父节点返回失败；若有子节点执行成功，则继续执行下一个子节点；若所有子节点都执行成功，则对父节点返回成功；
(d‐4b)根据节点的执行期望对子节点进行降序排列，根据排列顺序和步骤(d‐3)依次执行子节点；若有子节点执行成功，则对父节点返回成功；若所有子节点都执行失败，则对父节点返回失败；
(d‐4c)若该节点的执行期望小于该节点的期望阈值，对父节点返回失败；反之则将节点中的动作编号放入动作列表中，并对父节点返回成功；
(d‐5)重复执行步骤(d‐3)直到模糊行为树遍历完成。
CN201710409701.4A 2017-06-02 2017-06-02 基于模糊行为树的游戏智能体动作序列生成方法 Active CN107441709B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710409701.4A CN107441709B (zh) 2017-06-02 2017-06-02 基于模糊行为树的游戏智能体动作序列生成方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710409701.4A CN107441709B (zh) 2017-06-02 2017-06-02 基于模糊行为树的游戏智能体动作序列生成方法

Publications (2)

Publication Number Publication Date
CN107441709A true CN107441709A (zh) 2017-12-08
CN107441709B CN107441709B (zh) 2020-11-24

Family

ID=60486326

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710409701.4A Active CN107441709B (zh) 2017-06-02 2017-06-02 基于模糊行为树的游戏智能体动作序列生成方法

Country Status (1)

Country Link
CN (1) CN107441709B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107316080A (zh) * 2017-06-15 2017-11-03 广西南宁市昇泰安电子商务发展有限公司 一种基于人工智能的模糊逻辑技术实现ai行为判断方法
CN108829113A (zh) * 2018-09-01 2018-11-16 哈尔滨工程大学 一种多机器人编队自适应零空间行为融合方法
CN110766955A (zh) * 2019-09-18 2020-02-07 平安科技（深圳）有限公司 基于动作预测模型的信号调节方法、装置和计算机设备
CN113162487A (zh) * 2021-04-30 2021-07-23 延锋汽车饰件系统有限公司 电机控制方法及系统、车辆

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6359622B1 (en) * 1995-07-19 2002-03-19 Extempo Systems, Inc. System and method for directed improvisation by computer controlled characters
CN101203906A (zh) * 2005-05-31 2008-06-18 罗伯特·博世公司 使用脚本的对话管理
US20090197686A1 (en) * 2008-02-05 2009-08-06 Disney Enterprises, Inc. System and method for driving artificial intelligence (ai) characters having continuous reevaluation of current goals and having navigation path
US20110021263A1 (en) * 2009-07-24 2011-01-27 Wms Gaming, Inc. Controlling event-driven behavior of wagering game objects
CN102495751A (zh) * 2011-11-29 2012-06-13 北京像素软件科技股份有限公司 一种实现仿真场景的方法和装置
CN106390456A (zh) * 2016-09-30 2017-02-15 腾讯科技（深圳）有限公司 游戏中角色行为的生成方法和装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6359622B1 (en) * 1995-07-19 2002-03-19 Extempo Systems, Inc. System and method for directed improvisation by computer controlled characters
CN101203906A (zh) * 2005-05-31 2008-06-18 罗伯特·博世公司 使用脚本的对话管理
US20090197686A1 (en) * 2008-02-05 2009-08-06 Disney Enterprises, Inc. System and method for driving artificial intelligence (ai) characters having continuous reevaluation of current goals and having navigation path
US20110021263A1 (en) * 2009-07-24 2011-01-27 Wms Gaming, Inc. Controlling event-driven behavior of wagering game objects
CN102495751A (zh) * 2011-11-29 2012-06-13 北京像素软件科技股份有限公司 一种实现仿真场景的方法和装置
CN106390456A (zh) * 2016-09-30 2017-02-15 腾讯科技（深圳）有限公司 游戏中角色行为的生成方法和装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
A.JOHANSSON ET AL.: "Comparing behavior trees and emotional behavior networks for NPCs", 《2012 17TH INTERNATIONAL CONFERENCE ON COMPUTER GAMES》 *
何赛: "游戏人工智能关键技术研究与应用", 《中国优秀硕士学位论文全文数据库》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107316080A (zh) * 2017-06-15 2017-11-03 广西南宁市昇泰安电子商务发展有限公司 一种基于人工智能的模糊逻辑技术实现ai行为判断方法
CN107316080B (zh) * 2017-06-15 2020-09-25 周标强 一种基于人工智能的模糊逻辑技术实现ai行为判断方法
CN108829113A (zh) * 2018-09-01 2018-11-16 哈尔滨工程大学 一种多机器人编队自适应零空间行为融合方法
CN108829113B (zh) * 2018-09-01 2021-05-28 哈尔滨工程大学 一种多机器人编队自适应零空间行为融合方法
CN110766955A (zh) * 2019-09-18 2020-02-07 平安科技（深圳）有限公司 基于动作预测模型的信号调节方法、装置和计算机设备
CN113162487A (zh) * 2021-04-30 2021-07-23 延锋汽车饰件系统有限公司 电机控制方法及系统、车辆
CN113162487B (zh) * 2021-04-30 2022-08-23 延锋汽车饰件系统有限公司 电机控制方法及系统、车辆

Also Published As

Publication number Publication date
CN107441709B (zh) 2020-11-24

Similar Documents

Publication Publication Date Title
Neider et al. Learning linear temporal properties
CN107441709A (zh) 基于模糊行为树的游戏智能体动作序列生成方法
Agnesina et al. VLSI placement parameter optimization using deep reinforcement learning
CN108446667A (zh) 基于生成对抗网络数据增强的人脸表情识别方法和装置
CN108051660A (zh) 一种变压器故障组合诊断模型建立方法及诊断方法
CN109710763A (zh) 一种文本数据的分类方法、装置以及系统
CN108499107A (zh) 虚拟现实中虚拟角色的控制方法、装置及存储介质
CN112417171B (zh) 面向知识图谱表示学习的数据增广方法
CN109063719A (zh) 一种联合结构相似性和类信息的图像分类方法
Osborn et al. A game-independent play trace dissimilarity metric.
CN114912357A (zh) 基于用户模型学习的多任务强化学习用户运营方法及系统
Hébert-Dufresne et al. Complex networks as an emerging property of hierarchical preferential attachment
Kokkinos et al. Hop: Hierarchical object parsing
Cui et al. Intelligent fault quantitative identification via the improved deep deterministic policy gradient (DDPG) algorithm accompanied with imbalanced sample
Gomes et al. A modeling environment for reinforcement learning in games
CN102521202B (zh) 面向复杂系统中的maxq任务图结构的自动发现方法
US20230012643A1 (en) Method for predicting c-axis length of lithium compound crystal structure, method for building learning model, and system for predicting crystal structure having maximum c-axis length
Ramyaa et al. Ramified corecurrence and logspace
Büttner et al. Training a reinforcement learning agent based on XCS in a competitive snake environment
Tracy et al. Graph Encoding and Neural Network Approaches for Volleyball Analytics: From Game Outcome to Individual Play Predictions
Dahl The lagging anchor algorithm: Reinforcement learning in two-player zero-sum games with imperfect information
Wang Predictive Analysis of NBA Game Outcomes through Machine Learning
Garg et al. The winner decision model of tic tac toe game by using multi-tape turing machine
CN112836805A (zh) Krfpv算法、执行装置、电子设备、存储介质以及神经网络
Wei et al. Raven solver: From perception to reasoning

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant