论文部分内容阅读
近年来,计算机硬件软件发展水平日新月异,电子游戏行业飞速发展。角色扮演类游戏占据着重要的市场份额。除了游戏中的视听效果,游戏的可玩性作为更深层次的游戏内涵更受游戏开发者们的重视,而非玩家角色的人工智能设计有利于体现游戏的可玩性。当前角色扮演类游戏场景中,非玩家角色人工智能模型的相关变量较多,导致过多的决策分支,非玩家角色人工智能算法开发繁杂,开发效率受到影响。本文提出一种非玩家角色人工智能新的实现方式,即结合机器学习算法行为树模型,其目的在于将非玩家角色的纯行为树决策模型转变为行为树与分类器结合的决策模型,基于行为树实现非玩家角色的高级决策,基于Bp_Adaboost算法实现非玩家角色的低级决策。从而使得游戏开发者制作低级决策模型的方法由传统的制作行为树变为制作分类器,而产生分类器训练数据的工作量小于制作行为树的工作量,因此能够减少游戏开发者的工作负担。本文设计并实现了三个工具:数据生成工具、Bp_Adaboost模型生成工具以及结合Bp_Adaboost的行为树工具。这三个工具主要用于解决实际游戏开发中生成本文模型所面临的制作分类器问题以及分类器与行为树结合问题。数据生成工具用于生成难以直接从游戏中得到的分类器训练数据;Bp_Adaboost模型生成工具用于训练产生分类器;结合Bp_Adaboost的行为树工具则用于将分类器与行为树结合。最后,本文使用Unity3D游戏引擎开发了一个以战斗为主要游戏内容的单机角色扮演类游戏。游戏实现中基于本文模型构建了非玩家角色的人工智能模型。实验结果验证了本文模型能够有效地应用在非玩家角色人工智能开发中,并且本文模型相比于传统人工智能模型具有更高的开发效率。