CN115903503A - 基于goap的人工智能引擎的控制方法 - Google Patents
基于goap的人工智能引擎的控制方法 Download PDFInfo
- Publication number
- CN115903503A CN115903503A CN202211503930.XA CN202211503930A CN115903503A CN 115903503 A CN115903503 A CN 115903503A CN 202211503930 A CN202211503930 A CN 202211503930A CN 115903503 A CN115903503 A CN 115903503A
- Authority
- CN
- China
- Prior art keywords
- artificial intelligence
- intelligence system
- action
- execution
- decision path
- 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.)
- Pending
Links
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Feedback Control In General (AREA)
Abstract
本发明提供了基于GOAP的人工智能引擎的控制方法,其根据人工智能系统当前的态势,先确定最优决策路径,以及结合GOAP方式确定最优决策路径的执行规划;以执行规划对应的动作序列包含的每个动作的执行结果为基准,判断动作序列的每个动作是否满足预定目标,以此对动作序列进行调整,得到最终实际决策路径,从而提高人工智能系统对不同设备的搭载兼容性和人工智能系统的变更灵活性与简化性。
Description
技术领域
本发明涉及人工智能引擎的技术领域,特别涉及基于GOAP的人工智能引擎的控制方法。
背景技术
人工智能应用的技术更新迭代速度非常快,能够搭载人工智能应用的设备发展也越来越快。目前,人工智能应用的主流人工智能算法是行为树,但是行为树算法存在算法死板、迭代困难和耦合性高的特点,当需要添加或删除行为是需要更改算法中的很多流程,从而无法实现设备对不同人工智能应用的搭载兼容性和人工智能应用的行为变更灵活性与简化性。
发明内容
针对现有技术存在的缺陷,本发明提供了一种基于GOAP的人工智能引擎的控制方法,其根据人工智能系统当前的态势特征信息,寻找人工智能系统的最优决策路径;通过GOAP方式进行人工智能系统最优决策路径的执行规划,以此确定对应于人工智能系统最优决策路径的动作序列;每当对动作序列的每一个动作执行完毕时,判断当前动作的执行结果是否满足预定目标;根据是否满足预定目标的判断结果,调整对动作序列的执行过程;并根据对动作序列执行过程的调整结果,确定人工智能系统的最终实际决策路径,其根据人工智能系统当前的态势,先确定最优决策路径,以及结合GOAP方式确定最优决策路径的执行规划;以执行规划对应的动作序列包含的每个动作的执行结果为基准,判断动作序列的每个动作是否满足预定目标,以此对动作序列进行调整,得到最终实际决策路径,从而提高人工智能系统对不同设备的搭载兼容性和人工智能系统的变更灵活性与简化性。
本发明提供基于GOAP的人工智能引擎的控制方法,其包括如下步骤:
步骤S1,对人工智能系统进行多层面初始化处理后,对所述人工智能系统当前的态势进行分析处理,确定所述人工智能系统当前的态势特征信息;
步骤S2,根据所述态势特征信息,寻找所述人工智能系统的最优决策路径;
步骤S3,通过GOAP方式进行人工智能系统最优决策路径的执行规划,以此确定对应于所述人工智能系统最优决策路径的动作序列;每当对所述动作序列的每一个动作执行完毕时,判断当前动作的执行结果是否满足预定目标;
步骤S4,根据是否满足预定目标的判断结果,调整对所述动作序列的执行过程;并根据对所述动作序列执行过程的调整结果,确定所述人工智能系统的最终实际决策路径。
在本申请公开的一个实施例中,在所述步骤S1中,对人工智能系统进行多层面初始化处理,包括:
对人工智能系统进行态势、执行目标和执行行为的初始化处理,并记录初始处处理后所述人工智能系统在态势、执行目标和执行行为的初始化状态。
在本申请公开的一个实施例中,在所述步骤S1中,对所述人工智能系统当前的态势进行分析处理,确定所述人工智能系统当前的态势特征信息,包括:
收集所述人工智能系统当前的态势对应的状态信息;
对所述状态信息进行语义识别处理,得到所述人工智能系统的每个状态的状态逻辑信息,以此作为所述人工智能系统当前的态势特征信息。
在本申请公开的一个实施例中,在所述步骤S1中,对所述状态信息进行语义识别处理,得到所述人工智能系统的每个状态的状态逻辑信息,包括:
对所述状态信息进行低阶语义信息提取处理,得到所述人工智能系统的每个状态的先决条件;再根据所述先决条件,映射到响应的状态,得到不同状态之间先决条件-响应逻辑关系信息,以此作为所述状态逻辑信息。
在本申请公开的一个实施例中,在所述步骤S2中,根据所述态势特征信息,寻找所述人工智能系统的最优决策路径,包括:
根据所述态势特征信息,通过A-STAR算法,在静态网格中寻找所述人工智能系统的最优决策路径;
或者,根据所述态势特征信息,通过D-STAR算法,在动态网格中寻找所述人工智能系统的最优决策路径;
或者,根据所述态势特征信息,通过优先搜索算法和广度优先搜索算法,选择所述人工智能系统的最优决策路径。
在本申请公开的一个实施例中,在所述步骤S2中,根据所述态势特征信息,通过A-STAR算法,在静态网格中寻找所述人工智能系统的最优决策路径,包括:
利用A-STAR算法对所述人工智能系统不同状态之间先决条件-响应逻辑关系信息进行处理,确定不同状态之间先决条件-响应逻辑过程对应的代价信息;根据所述代价信息,在静态网格中寻找所述人工智能系统的最优决策路径。
在本申请公开的一个实施例中,在所述步骤S2中,根据所述态势特征信息,通过D-STAR算法,在动态网格中寻找所述人工智能系统的最优决策路径,包括:
对A-STAR算法进行动态延生处理,得到D-STAR算法;
利用D-STAR算法对所述人工智能系统不同状态之间先决条件-响应逻辑关系信息进行处理,确定不同状态之间先决条件-响应逻辑过程对应的代价信息;根据所述代价信息,在动态网格中寻找所述人工智能系统的最优决策路径。
在本申请公开的一个实施例中,在所述步骤S3中,通过GOAP方式进行人工智能系统最优决策路径的执行规划,以此确定对应于所述人工智能系统最优决策路径的动作序列,包括:
通过GOAP方式对人工智能系统的最优决策路径进行反向搜索,以此得到最优决策路径的执行规划;对所述执行规划进行执行流程分解处理,得到对应于所述人工智能系统的动作序列。
在本申请公开的一个实施例中,在所述步骤S3中,每当对所述动作序列的每一个动作执行完毕时,判断当前动作的执行结果是否满足预定目标,包括:
每当所述动作序列的每一个动作执行完毕时,从当前动作的执行结果中提取得到当前动作的事件实际解决结果;
将当前动作的事件实际解决结果与当前动作在所述最优决策路径对应的事件期望解决结果进行比对,以此判断当前动作的执行结果是否满足预定目标;
若所述事件实际解决结果与所述事件期望解决结果相一致,则判断当前动作的执行结果满足预定目标;否则,判断当前动作的执行结果不满足预定目标。
在本申请公开的一个实施例中,在所述步骤S4中,根据是否满足预定目标的判断结果,调整对所述动作序列的执行过程;并根据对所述动作序列执行过程的调整结果,确定所述人工智能系统的最终实际决策路径,包括:
当满足预定目标,则执行当前动作在所述最优决策路径紧接的下一个动作,并在所述动作序列中保留当前动作;
当不满足预定目标,则中断当前动作的执行进程,并且对当前动作进行更换,直到满足预定目标为止;
根据对所述动作序列执行过程中对所有动作各自的保留或更换结果,对所述动作序列进行更新;再根据更新后的动作序列,确定所述人工智能系统的最终实际决策路径。
相比于现有技术,该基于GOAP的人工智能引擎的控制方法根据人工智能系统当前的态势特征信息,寻找人工智能系统的最优决策路径;通过GOAP方式进行人工智能系统最优决策路径的执行规划,以此确定对应于人工智能系统最优决策路径的动作序列;每当对动作序列的每一个动作执行完毕时,判断当前动作的执行结果是否满足预定目标;根据是否满足预定目标的判断结果,调整对动作序列的执行过程;并根据对动作序列执行过程的调整结果,确定人工智能系统的最终实际决策路径,其根据人工智能系统当前的态势,先确定最优决策路径,以及结合GOAP方式确定最优决策路径的执行规划;以执行规划对应的动作序列包含的每个动作的执行结果为基准,判断动作序列的每个动作是否满足预定目标,以此对动作序列进行调整,得到最终实际决策路径,从而提高人工智能系统对不同设备的搭载兼容性和人工智能系统的变更灵活性与简化性。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明提供的基于GOAP的人工智能引擎的控制方法的流程示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
参阅图1,图1为本发明实施例提供的基于GOAP的人工智能引擎的控制方法的流程示意图。该基于GOAP的人工智能引擎的控制方法包括如下步骤:
步骤S1,对人工智能系统进行多层面初始化处理后,对该人工智能系统当前的态势进行分析处理,确定该人工智能系统当前的态势特征信息;
步骤S2,根据该态势特征信息,寻找该人工智能系统的最优决策路径;
步骤S3,通过GOAP方式进行人工智能系统最优决策路径的执行规划,以此确定对应于该人工智能系统最优决策路径的动作序列;每当对该动作序列的每一个动作执行完毕时,判断当前动作的执行结果是否满足预定目标;
步骤S4,根据是否满足预定目标的判断结果,调整对该动作序列的执行过程;并根据对该动作序列执行过程的调整结果,确定该人工智能系统的最终实际决策路径。
上述技术方案的有益效果为:该基于GOAP的人工智能引擎的控制方法根据人工智能系统当前的态势特征信息,寻找人工智能系统的最优决策路径;通过GOAP方式进行人工智能系统最优决策路径的执行规划,以此确定对应于人工智能系统最优决策路径的动作序列;每当对动作序列的每一个动作执行完毕时,判断当前动作的执行结果是否满足预定目标;根据是否满足预定目标的判断结果,调整对动作序列的执行过程;并根据对动作序列执行过程的调整结果,确定人工智能系统的最终实际决策路径,其根据人工智能系统当前的态势,先确定最优决策路径,以及结合GOAP方式确定最优决策路径的执行规划;以执行规划对应的动作序列包含的每个动作的执行结果为基准,判断动作序列的每个动作是否满足预定目标,以此对动作序列进行调整,得到最终实际决策路径,从而提高人工智能系统对不同设备的搭载兼容性和人工智能系统的变更灵活性与简化性。
优选地,在该步骤S1中,对人工智能系统进行多层面初始化处理,包括:
对人工智能系统进行态势、执行目标和执行行为的初始化处理,并记录初始处处理后该人工智能系统在态势、执行目标和执行行为的初始化状态。
上述技术方案的有益效果为:对人工智能系统进行关于态势、执行目标和执行行为的初始化处理,能够对人工智能系统在态势、执行目标和执行行为的干扰因素进行有效全面的剔除,避免后续人工智能系统的动作序列执行过程发生停滞。
优选地,在该步骤S1中,对该人工智能系统当前的态势进行分析处理,确定该人工智能系统当前的态势特征信息,包括:
收集该人工智能系统当前的态势对应的状态信息;其中,该状态信息包括人工智能系统的状态进程信息和算法运行信息;
对该状态信息进行语义识别处理,得到该人工智能系统的每个状态的状态逻辑信息,以此作为该人工智能系统当前的态势特征信息。
上述技术方案的有益效果为:通过收集人工智能系统当前的态势对应的状态信息,能够对人工智能系统当前的态势进行有效表征;而对状态信息进行语义识别处理,能够准确从中提取合适的状态逻辑信息,从而对人工智能系统当前的态势现状进行特征提取。
优选地,在该步骤S1中,对该状态信息进行语义识别处理,得到该人工智能系统的每个状态的状态逻辑信息,包括:
对该状态信息进行低阶语义信息提取处理,得到该人工智能系统的每个状态的先决条件;再根据该先决条件,映射到响应的状态,得到不同状态之间先决条件-响应逻辑关系信息,以此作为该状态逻辑信息。
上述技术方案的有益效果为:以低阶语义信息提取处理的方式,得到人工智能系统的每个状态的先决条件,这样可对每个状态的触发的先决条件进行追迹;而根据先决条件,将每个状态映射其被触发后响应的状态,从而对不同状态之间的先决条件-响应逻辑关系进行整理,为后续最优决策路径的寻找提供充足的依据。
优选地,在该步骤S2中,根据该态势特征信息,寻找该人工智能系统的最优决策路径,包括:
根据该态势特征信息,通过A-STAR算法,在静态网格中寻找该人工智能系统的最优决策路径;
或者,根据该态势特征信息,通过D-STAR算法,在动态网格中寻找该人工智能系统的最优决策路径;
或者,根据该态势特征信息,通过优先搜索算法和广度优先搜索算法,选择该人工智能系统的最优决策路径。
上述技术方案的有益效果为:利用A-STAR算法、或者D-STAR算法、或者优先搜索算法和广度优先搜索算法结合等方式,能够为最优决策路径的寻找提供不同方式,便于在不同场合均能够准确地寻找到最优决策路径。
优选地,在该步骤S2中,根据该态势特征信息,通过A-STAR算法,在静态网格中寻找该人工智能系统的最优决策路径,包括:
利用A-STAR算法对该人工智能系统不同状态之间先决条件-响应逻辑关系信息进行处理,确定不同状态之间先决条件-响应逻辑过程对应的代价信息;根据该代价信息,在静态网格中寻找该人工智能系统的最优决策路径。
上述技术方案的有益效果为:利用A-STAR算法对该人工智能系统不同状态之间先决条件-响应逻辑关系信息进行处理,确定不同状态之间先决条件-响应逻辑过程对应的代价信息,这样能够快速计算确定最优决策路径涉及的所有节点之间的关系,其中该代价信息可为但不限于是不同状态之间先决条件-响应逻辑过程中不同状态对应的节点之间的算力代价值,其可通过相应的代价估算函数确定,其属于本领域的常规技术手段,这里不做详细的叙述。
优选地,在该步骤S2中,根据该态势特征信息,通过D-STAR算法,在动态网格中寻找该人工智能系统的最优决策路径,包括:
对A-STAR算法进行动态延生处理,得到D-STAR算法;
利用D-STAR算法对该人工智能系统不同状态之间先决条件-响应逻辑关系信息进行处理,确定不同状态之间先决条件-响应逻辑过程对应的代价信息;根据该代价信息,在动态网格中寻找该人工智能系统的最优决策路径。
上述技术方案的有益效果为:D-STAR算法作为A-STAR算法的动态延生,其能够保证在动态网格条件下,寻找得到最优决策路径。而利用D-STAR算法对该人工智能系统不同状态之间先决条件-响应逻辑关系信息进行处理,确定不同状态之间先决条件-响应逻辑过程对应的代价信息,与利用A-STAR算法进行处理的过程相同,这里不做重复的叙述。
优选地,在该步骤S3中,通过GOAP方式进行人工智能系统最优决策路径的执行规划,以此确定对应于该人工智能系统最优决策路径的动作序列,包括:
通过GOAP方式对人工智能系统的最优决策路径进行反向搜索,以此得到最优决策路径的执行规划;对该执行规划进行执行流程分解处理,得到对应于该人工智能系统的动作序列。
上述技术方案的有益效果为:通过GOAP方式的反向搜索策略,能够对最优决策路径包含的每个执行流程进行标定,从而得到最优决策路径的执行规划;再对执行规划进行执行流程分解处理,能够将执行规划的每个执行流程进行动作内容的提取,以此得到与执行规划映射对应的动作序列。
优选地,在该步骤S3中,每当对该动作序列的每一个动作执行完毕时,判断当前动作的执行结果是否满足预定目标,包括:
每当该动作序列的每一个动作执行完毕时,从当前动作的执行结果中提取得到当前动作的事件实际解决结果;
将当前动作的事件实际解决结果与当前动作在该最优决策路径对应的事件期望解决结果进行比对,以此判断当前动作的执行结果是否满足预定目标;
若该事件实际解决结果与该事件期望解决结果相一致,则判断当前动作的执行结果满足预定目标;否则,判断当前动作的执行结果不满足预定目标。
上述技术方案的有益效果为:通过上述方式,能够在动作序列的每一个动作执行完毕时,及时进行事件实际解决结果的反馈与判断,从而对每一个动作执行结果可接受与否进行准确识别。
优选地,在该步骤S4中,根据是否满足预定目标的判断结果,调整对该动作序列的执行过程;并根据对该动作序列执行过程的调整结果,确定该人工智能系统的最终实际决策路径,包括:
当满足预定目标,则执行当前动作在该最优决策路径紧接的下一个动作,并在该动作序列中保留当前动作;
当不满足预定目标,则中断当前动作的执行进程,并且对当前动作进行更换,直到满足预定目标为止;
根据对该动作序列执行过程中对所有动作各自的保留或更换结果,对该动作序列进行更新;再根据更新后的动作序列,确定该人工智能系统的最终实际决策路径。
上述技术方案的有益效果为:通过上述方式,能够在动作执行结果满足预定目标时,相应动作进行保留,以及在动作执行结果部满足预定目标时,相应动作进行更换,从而对动作序列包含的每一个动作进行检验,保证更新后的动作序列与人工智能系统的实际运行情况相匹配;此外,根据更新后的动作序列,进行反向演绎以确定人工智能系统的最终实际决策路径,从而保证最终实际决策路径的实用性和可靠性。
从上述实施例的内容可知,该基于GOAP的人工智能引擎的控制方法根据人工智能系统当前的态势特征信息,寻找人工智能系统的最优决策路径;通过GOAP方式进行人工智能系统最优决策路径的执行规划,以此确定对应于人工智能系统最优决策路径的动作序列;每当对动作序列的每一个动作执行完毕时,判断当前动作的执行结果是否满足预定目标;根据是否满足预定目标的判断结果,调整对动作序列的执行过程;并根据对动作序列执行过程的调整结果,确定人工智能系统的最终实际决策路径,其根据人工智能系统当前的态势,先确定最优决策路径,以及结合GOAP方式确定最优决策路径的执行规划;以执行规划对应的动作序列包含的每个动作的执行结果为基准,判断动作序列的每个动作是否满足预定目标,以此对动作序列进行调整,得到最终实际决策路径,从而提高人工智能系统对不同设备的搭载兼容性和人工智能系统的变更灵活性与简化性。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.基于GOAP的人工智能引擎的控制方法,其特征在于,其包括如下步骤:
步骤S1,对人工智能系统进行多层面初始化处理后,对所述人工智能系统当前的态势进行分析处理,确定所述人工智能系统当前的态势特征信息;
步骤S2,根据所述态势特征信息,寻找所述人工智能系统的最优决策路径;
步骤S3,通过GOAP方式进行人工智能系统最优决策路径的执行规划,以此确定对应于所述人工智能系统最优决策路径的动作序列;每当对所述动作序列的每一个动作执行完毕时,判断当前动作的执行结果是否满足预定目标;
步骤S4,根据是否满足预定目标的判断结果,调整对所述动作序列的执行过程;并根据对所述动作序列执行过程的调整结果,确定所述人工智能系统的最终实际决策路径。
2.如权利要求1所述的基于GOAP的人工智能引擎的控制方法,其特征在于:
在所述步骤S1中,对人工智能系统进行多层面初始化处理,包括:
对人工智能系统进行态势、执行目标和执行行为的初始化处理,并记录初始处处理后所述人工智能系统在态势、执行目标和执行行为的初始化状态。
3.如权利要求2所述的基于GOAP的人工智能引擎的控制方法,其特征在于:
在所述步骤S1中,对所述人工智能系统当前的态势进行分析处理,确定所述人工智能系统当前的态势特征信息,包括:
收集所述人工智能系统当前的态势对应的状态信息;
对所述状态信息进行语义识别处理,得到所述人工智能系统的每个状态的状态逻辑信息,以此作为所述人工智能系统当前的态势特征信息。
4.如权利要求3所述的基于GOAP的人工智能引擎的控制方法,其特征在于:
在所述步骤S1中,对所述状态信息进行语义识别处理,得到所述人工智能系统的每个状态的状态逻辑信息,包括:
对所述状态信息进行低阶语义信息提取处理,得到所述人工智能系统的每个状态的先决条件;再根据所述先决条件,映射到响应的状态,得到不同状态之间先决条件-响应逻辑关系信息,以此作为所述状态逻辑信息。
5.如权利要求4所述的基于GOAP的人工智能引擎的控制方法,其特征在于:
在所述步骤S2中,根据所述态势特征信息,寻找所述人工智能系统的最优决策路径,包括:
根据所述态势特征信息,通过A-STAR算法,在静态网格中寻找所述人工智能系统的最优决策路径;
或者,根据所述态势特征信息,通过D-STAR算法,在动态网格中寻找所述人工智能系统的最优决策路径;
或者,根据所述态势特征信息,通过优先搜索算法和广度优先搜索算法,选择所述人工智能系统的最优决策路径。
6.如权利要求5所述的基于GOAP的人工智能引擎的控制方法,其特征在于:
在所述步骤S2中,根据所述态势特征信息,通过A-STAR算法,在静态网格中寻找所述人工智能系统的最优决策路径,包括:
利用A-STAR算法对所述人工智能系统不同状态之间先决条件-响应逻辑关系信息进行处理,确定不同状态之间先决条件-响应逻辑过程对应的代价信息;根据所述代价信息,在静态网格中寻找所述人工智能系统的最优决策路径。
7.如权利要求6所述的基于GOAP的人工智能引擎的控制方法,其特征在于:
在所述步骤S2中,根据所述态势特征信息,通过D-STAR算法,在动态网格中寻找所述人工智能系统的最优决策路径,包括:
对A-STAR算法进行动态延生处理,得到D-STAR算法;
利用D-STAR算法对所述人工智能系统不同状态之间先决条件-响应逻辑关系信息进行处理,确定不同状态之间先决条件-响应逻辑过程对应的代价信息;根据所述代价信息,在动态网格中寻找所述人工智能系统的最优决策路径。
8.如权利要求7所述的基于GOAP的人工智能引擎的控制方法,其特征在于:
在所述步骤S3中,通过GOAP方式进行人工智能系统最优决策路径的执行规划,以此确定对应于所述人工智能系统最优决策路径的动作序列,包括:
通过GOAP方式对人工智能系统的最优决策路径进行反向搜索,以此得到最优决策路径的执行规划;对所述执行规划进行执行流程分解处理,得到对应于所述人工智能系统的动作序列。
9.如权利要求8所述的基于GOAP的人工智能引擎的控制方法,其特征在于:
在所述步骤S3中,每当对所述动作序列的每一个动作执行完毕时,判断当前动作的执行结果是否满足预定目标,包括:
每当所述动作序列的每一个动作执行完毕时,从当前动作的执行结果中提取得到当前动作的事件实际解决结果;
将当前动作的事件实际解决结果与当前动作在所述最优决策路径对应的事件期望解决结果进行比对,以此判断当前动作的执行结果是否满足预定目标;
若所述事件实际解决结果与所述事件期望解决结果相一致,则判断当前动作的执行结果满足预定目标;否则,判断当前动作的执行结果不满足预定目标。
10.如权利要求9所述的基于GOAP的人工智能引擎的控制方法,其特征在于:
在所述步骤S4中,根据是否满足预定目标的判断结果,调整对所述动作序列的执行过程;并根据对所述动作序列执行过程的调整结果,确定所述人工智能系统的最终实际决策路径,包括:
当满足预定目标,则执行当前动作在所述最优决策路径紧接的下一个动作,并在所述动作序列中保留当前动作;
当不满足预定目标,则中断当前动作的执行进程,并且对当前动作进行更换,直到满足预定目标为止;
根据对所述动作序列执行过程中对所有动作各自的保留或更换结果,对所述动作序列进行更新;再根据更新后的动作序列,确定所述人工智能系统的最终实际决策路径。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211503930.XA CN115903503A (zh) | 2022-11-29 | 2022-11-29 | 基于goap的人工智能引擎的控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211503930.XA CN115903503A (zh) | 2022-11-29 | 2022-11-29 | 基于goap的人工智能引擎的控制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115903503A true CN115903503A (zh) | 2023-04-04 |
Family
ID=86477591
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211503930.XA Pending CN115903503A (zh) | 2022-11-29 | 2022-11-29 | 基于goap的人工智能引擎的控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115903503A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113144590A (zh) * | 2021-03-23 | 2021-07-23 | 苏州乐志软件科技有限公司 | 基于AI Designer的人工智能引擎 |
-
2022
- 2022-11-29 CN CN202211503930.XA patent/CN115903503A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113144590A (zh) * | 2021-03-23 | 2021-07-23 | 苏州乐志软件科技有限公司 | 基于AI Designer的人工智能引擎 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109991951B (zh) | 多源故障检测与诊断方法和装置 | |
CN110110858B (zh) | 一种基于强化学习的自动化机器学习方法 | |
US6728689B1 (en) | Method and apparatus for generating a data classification model using interactive adaptive learning algorithms | |
US20080147589A1 (en) | Method and System for Optimizing Configuration Classification of Software | |
CN113704771B (zh) | 基于人工智能分析的服务漏洞挖掘方法及大数据挖掘系统 | |
Hammami et al. | On-line self-adaptive framework for tailoring a neural-agent learning model addressing dynamic real-time scheduling problems | |
CN115903503A (zh) | 基于goap的人工智能引擎的控制方法 | |
CN112836735B (zh) | 一种优化的随机森林处理不平衡数据集的方法 | |
CN113326869A (zh) | 基于最长路融合算法的深度学习计算图优化方法 | |
CN116244647A (zh) | 一种无人机集群的运行状态估计方法 | |
CN114299340A (zh) | 模型训练方法、图像分类方法、系统、设备及介质 | |
CN113407838A (zh) | 基于智慧医疗大数据的医疗信息推送方法及智慧医疗系统 | |
CN113407837A (zh) | 基于人工智能的智慧医疗大数据处理方法及智慧医疗系统 | |
Khoshgoftaar et al. | Attribute selection using rough sets in software quality classification | |
KR101827124B1 (ko) | 운전자의 주행 패턴 인식 시스템 및 방법 | |
CN115130617B (zh) | 一种自适应卫星数据模式不断增长的检测方法 | |
CN113821452B (zh) | 根据被测系统测试表现动态生成测试案例的智能测试方法 | |
CN115544033B (zh) | 查重向量库更新、数据查重方法、装置、设备和介质 | |
Yang et al. | Defect prediction by using cluster ensembles | |
CN113807541B (zh) | 决策系统的公平性修复方法、系统、设备及存储介质 | |
CN114547349A (zh) | 模型调整与业务处理的方法、装置、设备及存储介质 | |
CN113505818A (zh) | 改进决策树算法的熔铝炉能耗异常诊断方法和系统及设备 | |
Patterson et al. | Performance comparison of the automatic data reduction system (ADRS) | |
CN117611957B (zh) | 基于统一正负伪标签的无监督视觉表征学习方法及系统 | |
Khosravi et al. | A Meta-Learning Approach for Software Refactoring |
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 |