游戲中的人工智能技術(shù).ppt

1、游戲中的人工智能技術(shù),浙江大學(xué)計(jì)算機(jī)學(xué)院,學(xué)習(xí)內(nèi)容和目標(biāo),游戲AI的基本概念 游戲中簡(jiǎn)單的AI模式 游戲中常用的AI技術(shù) 有限狀態(tài)機(jī) A，模糊邏輯等 實(shí)現(xiàn)AI引擎的要點(diǎn),GAME AI技術(shù)簡(jiǎn)介（1）,GAME AI的描述 使得游戲表現(xiàn)出與人的智能行為/ 活動(dòng)相類(lèi)似，或者與玩家的思維/感知相符合的特性。 GAME AI的實(shí)現(xiàn) 技術(shù)實(shí)現(xiàn) 利用充分的領(lǐng)域知識(shí)和常識(shí) 客觀世界的運(yùn)動(dòng)規(guī)律(game physics) 利用已有的AI技術(shù) 融合娛樂(lè)性,GAME AI技術(shù)簡(jiǎn)介（2）,游戲中涉及的AI技術(shù) 專(zhuān)家系統(tǒng) 用知識(shí)表示專(zhuān)家的經(jīng)驗(yàn)，并在此基礎(chǔ)上作自動(dòng)推理 案例式推理 將輸入與數(shù)據(jù)庫(kù)中已有的案例進(jìn)行比較，選

2、取最為相近的案例，其已有的解決方法即為輸出 有限狀態(tài)機(jī) 基于規(guī)則的系統(tǒng)，有限個(gè)狀態(tài)連接成一有向圖，每一條邊稱(chēng)為一個(gè)轉(zhuǎn)移,GAME AI技術(shù)簡(jiǎn)介（3）,游戲中涉及的AI技術(shù)（續(xù)） 產(chǎn)生式系統(tǒng) 包含多個(gè)產(chǎn)生式，每一條產(chǎn)生式由條件和動(dòng)作兩部分組成，當(dāng)產(chǎn)生式的條件滿(mǎn)足時(shí)，系統(tǒng)就執(zhí)行相應(yīng)的動(dòng)作 決策樹(shù) 給定輸入，從樹(shù)的根部開(kāi)始，將輸入與當(dāng)前結(jié)點(diǎn)相比較，選擇當(dāng)前結(jié)點(diǎn)的某一個(gè)子結(jié)點(diǎn)作為下一次比較的對(duì)象。當(dāng)?shù)竭_(dá)樹(shù)的葉子時(shí)，則給出相應(yīng)的決策 搜索方法 找到一列動(dòng)作（或狀態(tài)轉(zhuǎn)移），使得最終的結(jié)果滿(mǎn)足某一特定目標(biāo),GAME AI技術(shù)簡(jiǎn)介（4）,游戲中涉及的AI技術(shù)（續(xù)） 規(guī)劃系統(tǒng) 給定世界的初始狀態(tài)，以及下一步可能

3、采取的動(dòng)作的精確定義，找到完成某個(gè)特定目標(biāo)的最優(yōu)路徑 一階謂詞邏輯 謂詞邏輯通過(guò)定義“物體”、“屬性”、“關(guān)系”等對(duì)當(dāng)前場(chǎng)景的狀態(tài)進(jìn)行推理 情景演算 用一階邏輯計(jì)算在給定情景下AI生命的反應(yīng),GAME AI技術(shù)簡(jiǎn)介（5）,游戲中涉及的AI技術(shù)（續(xù)） 多Agent 研究在多個(gè)相互競(jìng)爭(zhēng)相互合作的智能體之間所產(chǎn)生的交互智能行為 人工生命 多agent系統(tǒng)一種，試圖將生命系統(tǒng)中一些普遍規(guī)律應(yīng)用到虛擬世界的人工智能體上 群組行為(Flocking) 人工生命的一類(lèi)，研究協(xié)同移動(dòng)技術(shù)，例如人工智能體如何在大量的羊群中移動(dòng),GAME AI技術(shù)簡(jiǎn)介（6）,游戲中涉及的AI技術(shù)（續(xù)） Robotics 讓機(jī)器在

4、自然環(huán)境下交互的工作 遺傳算法 直接模擬生物進(jìn)化過(guò)程，通過(guò)隨機(jī)選擇、雜交和突變等對(duì)程序、算法或者一系列參數(shù)進(jìn)行操作 神經(jīng)網(wǎng)絡(luò) 模擬動(dòng)物神經(jīng)系統(tǒng)功能的機(jī)器學(xué)習(xí)方法 通過(guò)反復(fù)調(diào)節(jié)系統(tǒng)內(nèi)部中各個(gè)神經(jīng)元之間的連接參數(shù)，使得訓(xùn)練得到的系統(tǒng)在大多數(shù)情況下作出優(yōu)或者近似優(yōu)的反應(yīng),GAME AI技術(shù)簡(jiǎn)介（7）,游戲中涉及的AI技術(shù)（續(xù)） 模糊邏輯 與傳統(tǒng)二值（對(duì)-錯(cuò)）邏輯不同，模糊邏輯用實(shí)數(shù)表示物體隸屬于某一類(lèi)的可能性 置信網(wǎng)絡(luò) 提供建立不同現(xiàn)象之間內(nèi)在因果關(guān)系的工具，并利用概率理論處理未知的和不完全的知識(shí) 對(duì)當(dāng)前狀態(tài)作出判斷，并決定下一步可能的動(dòng)作以及其帶來(lái)的后果,GAME AI技術(shù)簡(jiǎn)介（8）,GAME A

5、I技術(shù)的分類(lèi) 確定型 基于領(lǐng)域固定領(lǐng)域知識(shí)，模擬簡(jiǎn)單的固定行為 行為型 基于行為模式來(lái)模擬智能行為 戰(zhàn)術(shù)型 策略模擬 RTS（real time strategy） 其他,確定型AI算法,確定性算法指預(yù)先編入代碼當(dāng)中的可預(yù)測(cè)的行為 從最簡(jiǎn)單的算法開(kāi)始 例如，系統(tǒng)中有一顆小行星，以某一速度作勻速直線運(yùn)動(dòng)，它在任意時(shí)刻的位置由下列公式?jīng)Q定： 某種程度上，它們是智能的，但是這種智能是確定的，可預(yù)測(cè)的,Tracking/Chasing AI,當(dāng)智能體找到目標(biāo)后，一心一意向其移動(dòng)，而不考慮任何其他的因素，例如障礙物、另外的目標(biāo)等 非常機(jī)械化 在每一幀中，智能體計(jì)算其到目標(biāo)的前進(jìn)方向，并根據(jù)其速度，前進(jìn)一

6、段距離,浙江大學(xué)CAD&CG 國(guó)家重點(diǎn)實(shí)驗(yàn)室,Tracking/Chasing算法,Tracking算法還可以做的更為真實(shí)一點(diǎn)，就像紅外導(dǎo)彈一樣： 在每一幀中，智能體仍然首先計(jì)算其到目標(biāo)的前進(jìn)方向 這時(shí)，智能體的速度允許發(fā)生變化，并根據(jù)更新后的速度，計(jì)算下一幀的位置 速度有一個(gè)上限，超過(guò)這個(gè)上限，智能體的速度將減慢，直到重新加速為止,浙江大學(xué)CAD&CG 國(guó)家重點(diǎn)實(shí)驗(yàn)室,Evading算法,與前面的chasing算法基本相同，唯一區(qū)別是智能體沿著遠(yuǎn)離物體的方向移動(dòng),浙江大學(xué)CAD&CG 國(guó)家重點(diǎn)實(shí)驗(yàn)室,追逐行為的模擬示例,你追我趕Game AI/chasing and avoiding dem

7、o,基于行為模式的AI,在任一時(shí)間點(diǎn)，每一個(gè)智能體都按照預(yù)先設(shè)定的某種模式運(yùn)動(dòng) 決策系統(tǒng)根據(jù)系統(tǒng)當(dāng)前的狀態(tài)，為每一個(gè)智能體從模式集合中選擇適當(dāng)?shù)哪Ｊ?模式描述了智能體將在下面幾幀中所采取的一系列動(dòng)作 特例：scripted AI，當(dāng)系統(tǒng)到達(dá)某一特定狀態(tài)（例如，每個(gè)回合的結(jié)束），系統(tǒng)運(yùn)行的一段程序（用腳本寫(xiě)），決定系統(tǒng)下一步的動(dòng)作,典型的行為模式,基本模式 用一段指令定義模式 寫(xiě)一個(gè)解釋器解釋這段指令，并用于控制智能體的行為 條件邏輯模式 更為靈活的控制 可以通過(guò)條件邏輯選擇模式 也可以選擇本身帶有條件邏輯轉(zhuǎn)移的模式,編程技巧,非常直觀 Pattern是一列數(shù)組 數(shù)組的每一項(xiàng)定義智能體在該幀的速

8、度（方向大?。?在模擬過(guò)程中，智能體就按照預(yù)先設(shè)定的參數(shù)在每一幀之間運(yùn)動(dòng) 當(dāng)移動(dòng)到數(shù)組末尾時(shí)，重新選擇一個(gè)新的模式,行為型的AI技術(shù)示例,Chasing behavior AI demo,策略性AI與通用問(wèn)題求解,AI的研究人員試圖尋找一個(gè)通用的計(jì)算模型和方法，解決所有的問(wèn)題 感知輸入系統(tǒng) 有一個(gè)記憶模擬存儲(chǔ)系統(tǒng) 推理機(jī) 行為輸出系統(tǒng) 博弈問(wèn)題 有限狀態(tài)機(jī)（FSM） 規(guī)劃和搜索,有限狀態(tài)機(jī),狀態(tài)（要采取的行為） 追擊 隨機(jī)走動(dòng) 巡邏 吃 轉(zhuǎn)移（發(fā)生轉(zhuǎn)移的原因） 時(shí)間片結(jié)束 發(fā)生某個(gè)時(shí)間 完成某個(gè)行為,伐木,將木頭運(yùn)往最近的倉(cāng)庫(kù),足夠多木材,放下木頭: 返回林場(chǎng),到倉(cāng)庫(kù),到林場(chǎng),有限狀態(tài)機(jī),機(jī)器

9、 所有部件的總稱(chēng) 狀態(tài) 對(duì)于層次有限狀態(tài)機(jī)而言，狀態(tài)包括各種子狀態(tài) 轉(zhuǎn)移 系統(tǒng)從當(dāng)前活動(dòng)狀態(tài)出發(fā)，判斷下一個(gè)活動(dòng)狀態(tài)，改變系統(tǒng)當(dāng)前的格局，并執(zhí)行相應(yīng)的操作,浙江大學(xué)CAD&CG 國(guó)家重點(diǎn)實(shí)驗(yàn)室,有限狀態(tài)機(jī),條件 定義發(fā)生轉(zhuǎn)移的先決條件 輸入和事件 允許狀態(tài)機(jī)對(duì)環(huán)境變化作出反應(yīng) 動(dòng)作 作為狀態(tài)的一部分，或者伴隨轉(zhuǎn)移出現(xiàn),浙江大學(xué)CAD&CG 國(guó)家重點(diǎn)實(shí)驗(yàn)室,狀態(tài)空間圖,有向圖 每個(gè)結(jié)點(diǎn)表示系統(tǒng)狀態(tài)模型，每條弧表示狀態(tài)轉(zhuǎn)移所伴隨的動(dòng)作行為 結(jié)點(diǎn)可以是無(wú)窮多個(gè) 有些結(jié)點(diǎn)之間可能沒(méi)有弧相連接,特定狀態(tài)的查找,結(jié)點(diǎn) 包含查找目標(biāo) 終點(diǎn) 搜索路徑的結(jié)束 查找空間 所有結(jié)點(diǎn)的集合 目標(biāo) 所要到達(dá)的結(jié)點(diǎn) 經(jīng)驗(yàn)

10、 在一定程度上提示下一步搜索的方向 解答路徑 從起始結(jié)點(diǎn)開(kāi)始，到目標(biāo)的一條有向路徑,模糊的有限狀態(tài)機(jī),將模糊邏輯和有限狀態(tài)機(jī)結(jié)合 狀態(tài)之間的遷移不再是確定的 同時(shí)有多個(gè)狀態(tài),有限狀態(tài)機(jī)和模糊的有限狀態(tài)機(jī)示例,FSM/FuFSM 代碼示例 隸屬度 演示,規(guī)劃,Part of intelligence is the ability to plan - Move to a goal State 將系統(tǒng)表示成一系列狀態(tài)的集合 通過(guò)操作（Operator）改變狀態(tài),浙江大學(xué)CAD&CG 國(guó)家重點(diǎn)實(shí)驗(yàn)室,路徑規(guī)劃,狀態(tài) 智能體在空間的位置 其他離散空間 體素 室內(nèi)位置 局部區(qū)塊（tile） 操作 從一個(gè)位

11、置移動(dòng)到其他位置,浙江大學(xué)CAD&CG 國(guó)家重點(diǎn)實(shí)驗(yàn)室,路徑規(guī)劃算法,必須對(duì)狀態(tài)空間進(jìn)行搜索，才能轉(zhuǎn)移至目標(biāo)狀態(tài) 完全性 如果目標(biāo)狀態(tài)存在，算法是否能夠?qū)⑵湔业剑?時(shí)間復(fù)雜度 空間復(fù)雜度 能夠找到最優(yōu)解,浙江大學(xué)CAD&CG 國(guó)家重點(diǎn)實(shí)驗(yàn)室,搜索策略,如何評(píng)價(jià)搜索算法 時(shí)間：多長(zhǎng)時(shí)間能夠找到解 找到的解是最優(yōu)、次優(yōu)還是其他 盲目搜索 沒(méi)有先驗(yàn)知識(shí) 僅僅知道目標(biāo)狀態(tài)是什么 經(jīng)驗(yàn)搜索 用經(jīng)驗(yàn)公式表示擁有的先驗(yàn)知識(shí) “經(jīng)驗(yàn)”只能作相對(duì)簡(jiǎn)單、低級(jí)的決策,浙江大學(xué)CAD&CG 國(guó)家重點(diǎn)實(shí)驗(yàn)室,廣度優(yōu)先搜索,根結(jié)點(diǎn)-兒子結(jié)點(diǎn)-孫子結(jié)點(diǎn) 缺點(diǎn)：內(nèi)存消耗大,浙江大學(xué)CAD&CG 國(guó)家重點(diǎn)實(shí)驗(yàn)室,Root,Ro

12、ot,Child1,Child2,(1),(2),(3),深度優(yōu)先搜索,先兒子結(jié)點(diǎn)，后兄弟,浙江大學(xué)CAD&CG 國(guó)家重點(diǎn)實(shí)驗(yàn)室,(1),(2),(3),雙向搜索,同時(shí)產(chǎn)生兩棵搜索樹(shù) 一棵從起點(diǎn)出發(fā) 一棵從目標(biāo)出發(fā),浙江大學(xué)CAD&CG 國(guó)家重點(diǎn)實(shí)驗(yàn)室,啟發(fā)式搜索,定義目標(biāo)函數(shù)，反映擁有的先驗(yàn)知識(shí) 估計(jì)離目標(biāo)的距離 估計(jì)到達(dá)目標(biāo)的花費(fèi) 用上述估計(jì)指導(dǎo)路徑的搜索，加快搜索過(guò)程,浙江大學(xué)CAD&CG 國(guó)家重點(diǎn)實(shí)驗(yàn)室,貪婪搜索法,永遠(yuǎn)沿著具有最小目標(biāo)函數(shù)值的路徑進(jìn)行搜索 不一定能夠找到目標(biāo) 可能得到局部最優(yōu)解，而不是全局最優(yōu),浙江大學(xué)CAD&CG 國(guó)家重點(diǎn)實(shí)驗(yàn)室,A*啟發(fā)搜索,考慮到貪婪搜索法不能保

13、證找到最優(yōu)解 改進(jìn) 目標(biāo)函數(shù)由兩個(gè)部分組成 從當(dāng)前狀態(tài)到目標(biāo)狀態(tài)的“花費(fèi)”（估計(jì)） 從初始狀態(tài)到當(dāng)前狀態(tài)的“花費(fèi)”,浙江大學(xué)CAD&CG 國(guó)家重點(diǎn)實(shí)驗(yàn)室,基本想法,貪婪搜索法 對(duì)可能的后繼狀態(tài)n，計(jì)算其到目標(biāo)狀態(tài)的“花費(fèi)”h(n)，并置于一個(gè)優(yōu)先隊(duì)列中 A* 對(duì)可能的后繼狀態(tài)n，計(jì)算其目標(biāo)函數(shù)f(n)，并置于優(yōu)先隊(duì)列中 f(n) = g(n) + h(n)，其中g(shù)(n)是從初始狀態(tài)到n的“花費(fèi)”,浙江大學(xué)CAD&CG 國(guó)家重點(diǎn)實(shí)驗(yàn)室,基本想法,選擇下一步狀態(tài)n，使得f(n)是隊(duì)列中最小的 如果h(n)估計(jì)準(zhǔn)確的話(huà)，方法是可行的,浙江大學(xué)CAD&CG 國(guó)家重點(diǎn)實(shí)驗(yàn)室,結(jié)束條件,A*算法結(jié)束條件是

14、：當(dāng)且僅當(dāng)目標(biāo)狀態(tài)被從優(yōu)先隊(duì)列中挑選出來(lái),浙江大學(xué)CAD&CG 國(guó)家重點(diǎn)實(shí)驗(yàn)室,A*算法,優(yōu)先隊(duì)列PQ 初始為空 V（一系列三元組(狀態(tài)，f，回溯指針)集合，表示訪問(wèn)過(guò)的結(jié)點(diǎn)） 初始為空 將初始結(jié)點(diǎn)S置于PQ中，V中放入(S, f(s), NULL) 算法： 如果V為空，退出程序，沒(méi)有解 否則，從PQ中取出第一項(xiàng)，記為n 如果n就是目標(biāo)結(jié)點(diǎn)，則搜索結(jié)束 否則，產(chǎn)生n的后繼結(jié)點(diǎn),浙江大學(xué)CAD&CG 國(guó)家重點(diǎn)實(shí)驗(yàn)室,A*算法,對(duì)n的每一個(gè)后繼結(jié)點(diǎn)n 計(jì)算f=g(n)+h(n)=g(n)+cost(n,n)+h(n) 如果n未被訪問(wèn)過(guò)，或者n曾經(jīng)被訪問(wèn)過(guò)，但是記錄的f(n)f，或者n已經(jīng)在PQ隊(duì)列

15、中，但是記錄的f(n)f 放置/更新n于優(yōu)先隊(duì)列中，使其對(duì)應(yīng)的目標(biāo)函數(shù)值為f 添加(n, f, n)至V當(dāng)中 否則忽略n,浙江大學(xué)CAD&CG 國(guó)家重點(diǎn)實(shí)驗(yàn)室,A*算法能否找到最優(yōu)路徑,否,浙江大學(xué)CAD&CG 國(guó)家重點(diǎn)實(shí)驗(yàn)室,A*算法性質(zhì),令h*(n)=從目標(biāo)到n最小花費(fèi)真實(shí)值. 經(jīng)驗(yàn)h稱(chēng)為可行的當(dāng)且僅當(dāng)對(duì)所有的狀態(tài)n, h(n) =h*(n). 可行經(jīng)驗(yàn)確保永不過(guò)估計(jì)結(jié)點(diǎn)到目標(biāo)的花費(fèi) 具有可行經(jīng)驗(yàn)的A*算法一定收斂到最優(yōu)解 比較費(fèi)內(nèi)存 當(dāng)不存在解時(shí)，算法失敗 避免對(duì)全空間進(jìn)行搜索 作雙向搜索,路徑的規(guī)劃和尋找演示,A star demo 最短路經(jīng) 戰(zhàn)術(shù)最短路經(jīng) 暴露時(shí)間 有效火力 視野,群

16、體行為的模擬（1）,物群的行為 物群聚集在一起飛行，遇到另一物群時(shí)，他們將避開(kāi)和分散，必要時(shí)分成多群 分開(kāi)后，將尋找伙伴，形成新的物群，并最終恢復(fù)原來(lái)的物群 物群能夠?qū)Ω锻话l(fā)行為，能否對(duì)不斷變化的環(huán)境做出實(shí)時(shí)的反應(yīng)，并作為一個(gè)整體行動(dòng) 。,群體行為的模擬（2）,物群模擬的簡(jiǎn)單規(guī)則 分離（separation）：同物群中的其他成員若即若離。 列隊(duì)(alignment)：與物群中的其他成員保持相同的航向 內(nèi)聚(cohesion)：不掉隊(duì) 避開(kāi)（avoidance）：避開(kāi)障礙物和天敵 生存（survival）:必要時(shí)進(jìn)行捕食或者逃脫被吃 .,群體行為的模擬（3）,游戲中的物群行為 RTS游戲的部隊(duì)的

17、編隊(duì)模擬 RPG游戲中的群體行為模擬 行為模擬的實(shí)現(xiàn) 無(wú)狀態(tài) 不紀(jì)錄任何信息 每次將重新評(píng)估其環(huán)境,群體行為的模擬（4）,示例 前進(jìn)方向不確定，但整體行動(dòng) 避開(kāi)障礙物 飛行動(dòng)物 老鷹：飛行速度快，視野廣，吃麻雀 麻雀：飛行速度一般，視野一般，吃昆蟲(chóng) 昆蟲(chóng)：飛行速度慢，視野小，不捕食，能繁殖 物群的喂養(yǎng) 餓吃試圖接近獵物 昆蟲(chóng)不能滅絕,群體行為的模擬（4）,演示: flocking demo,模糊邏輯,傳統(tǒng)邏輯把思維過(guò)程絕對(duì)化，從而達(dá)到精確、嚴(yán)格的目的 舉例：一個(gè)被討論的對(duì)象X，要么屬于某一個(gè)集合A，要么不屬于該集合，兩者比居其一，而且兩者僅居其一，決不模棱兩可 對(duì)于命題：張三的性格穩(wěn)重，如何判

18、斷這一命題的真假？,模糊邏輯,對(duì)于上述的例子，模糊邏輯允許我們用一個(gè)0,1的實(shí)數(shù)表示X屬于A的隸屬程度。傳統(tǒng)邏輯即隸屬程度只能從0和1之間選擇的情況 對(duì)于“性格穩(wěn)重”這個(gè)模糊概念，我們能夠用“一點(diǎn)而也不穩(wěn)重”、“不太穩(wěn)重”、“不好說(shuō)”、“有點(diǎn)穩(wěn)重”、“挺穩(wěn)重”、“很穩(wěn)重”等沒(méi)有明確界限的詞語(yǔ)形容,模糊邏輯的應(yīng)用,將重心轉(zhuǎn)移至物體屬于某個(gè)集合的隸屬程度上 在AI領(lǐng)域的主要應(yīng)用為 決策 行為選擇 輸入、輸出過(guò)濾,浙江大學(xué)CAD&CG 國(guó)家重點(diǎn)實(shí)驗(yàn)室,符合邏輯操作,設(shè)A,B,C均為U中的模糊集 模糊并 若對(duì)8x2U，均有c=max(A(x),B(x)，則稱(chēng)C為A與B的模糊并 模糊交 若對(duì)8x2U，均

19、有c=min(A(x),B(x)，則稱(chēng)C為A與B的模糊交,浙江大學(xué)CAD&CG 國(guó)家重點(diǎn)實(shí)驗(yàn)室,例子,浙江大學(xué)CAD&CG 國(guó)家重點(diǎn)實(shí)驗(yàn)室,大約6英尺,長(zhǎng)的高的人,與,浙江大學(xué)CAD&CG 國(guó)家重點(diǎn)實(shí)驗(yàn)室,或,浙江大學(xué)CAD&CG 國(guó)家重點(diǎn)實(shí)驗(yàn)室,非,浙江大學(xué)CAD&CG 國(guó)家重點(diǎn)實(shí)驗(yàn)室,模糊控制,舉例：車(chē)輛駕駛 前提：兩輛車(chē)之間不能相撞 在模糊邏輯中的實(shí)現(xiàn)： 用兩個(gè)變量描述每一輛車(chē) 當(dāng)前時(shí)刻，車(chē)與前面一輛車(chē)之間的距離d 當(dāng)前時(shí)刻與前一時(shí)刻距離的差d,浙江大學(xué)CAD&CG 國(guó)家重點(diǎn)實(shí)驗(yàn)室,模糊控制,If d=0且d=兩個(gè)車(chē)位長(zhǎng)，保持現(xiàn)有速度 If d0且d兩個(gè)車(chē)位長(zhǎng)，加快速度,浙江大學(xué)CAD&

20、CG 國(guó)家重點(diǎn)實(shí)驗(yàn)室,小結(jié),模糊邏輯和模糊控制被廣泛用于游戲當(dāng)中 當(dāng)你想模擬人的思維模式時(shí) 模糊邏輯同樣能夠用于表示無(wú)生命時(shí)間 給定風(fēng)速和方向，問(wèn)云如何移動(dòng),浙江大學(xué)CAD&CG 國(guó)家重點(diǎn)實(shí)驗(yàn)室,小結(jié),在游戲中，模糊邏輯還能夠用于 對(duì)抗敵人的人工智能 非玩家的角色（描述某個(gè)販賣(mài)情報(bào)的人對(duì)你的信任程度） Flocking算法,浙江大學(xué)CAD&CG 國(guó)家重點(diǎn)實(shí)驗(yàn)室,神經(jīng)網(wǎng)絡(luò),簡(jiǎn)化的人腦模型 人腦大概有1012個(gè)神經(jīng)元 每一個(gè)神經(jīng)元都能夠處理和發(fā)送信息 神經(jīng)元的三個(gè)主要組成部分： 細(xì)胞體，神經(jīng)元新陳代謝的中心 樹(shù)突，接收來(lái)自其他神經(jīng)元的信號(hào) 軸突，向其他神經(jīng)元發(fā)送信號(hào),浙江大學(xué)CAD&CG 國(guó)家重點(diǎn)

21、實(shí)驗(yàn)室,神經(jīng)網(wǎng)絡(luò),生物學(xué)發(fā)現(xiàn) 神經(jīng)元是人腦的基本組成部分 如果將神經(jīng)元看作結(jié)點(diǎn)，它們之間的連接看作弧，則這些神經(jīng)元組成一個(gè)稠密連接的圖 雖然單個(gè)神經(jīng)元的工作過(guò)程較簡(jiǎn)單，當(dāng)大量神經(jīng)元連成一個(gè)網(wǎng)絡(luò)并動(dòng)態(tài)運(yùn)行時(shí)，系統(tǒng)是非常復(fù)雜的,浙江大學(xué)CAD&CG 國(guó)家重點(diǎn)實(shí)驗(yàn)室,人工神經(jīng)元模型,是人類(lèi)大腦神經(jīng) 元的簡(jiǎn)化 N個(gè)輸入 1個(gè)輸出 作用函數(shù),浙江大學(xué)CAD&CG 國(guó)家重點(diǎn)實(shí)驗(yàn)室,人工神經(jīng)網(wǎng)絡(luò)基礎(chǔ),McCulloch and Pitts與1943年第一次提出人工神經(jīng)網(wǎng)絡(luò)概念 一個(gè)處理單元將接收的信息x0,x1,xn-1通過(guò)用W0,W1,Wn-1表示互聯(lián)強(qiáng)度，以點(diǎn)積的形式合成自己的輸入，并將輸入與以某種方式

22、設(shè)定的閾值相比較，再經(jīng)某種形式的作用函數(shù)f的轉(zhuǎn)換，得到該單元的輸出y f可以是階梯函數(shù)、線性或者是指數(shù)形式的函數(shù),浙江大學(xué)CAD&CG 國(guó)家重點(diǎn)實(shí)驗(yàn)室,神經(jīng)計(jì)算,神經(jīng)網(wǎng)絡(luò)是基于人腦的平行體系結(jié)構(gòu) 與多處理器計(jì)算機(jī)相類(lèi)似 獨(dú)立處理單元 高度互聯(lián) 簡(jiǎn)單消息傳遞 適應(yīng)性交互,浙江大學(xué)CAD&CG 國(guó)家重點(diǎn)實(shí)驗(yàn)室,訓(xùn)練神經(jīng)網(wǎng)絡(luò),初始化：隨機(jī)設(shè)定各條邊的W值 給定一對(duì)（輸入，輸出），已有神經(jīng)網(wǎng)絡(luò)根據(jù)輸入計(jì)算輸出，將其與預(yù)計(jì)輸出相比較，并根據(jù)兩者之間的差值調(diào)整各條邊的W值 神經(jīng)網(wǎng)絡(luò)也可以自動(dòng)學(xué)習(xí)，但是相比訓(xùn)練，收斂速度要慢很多,浙江大學(xué)CAD&CG 國(guó)家重點(diǎn)實(shí)驗(yàn)室,訓(xùn)練神經(jīng)網(wǎng)絡(luò),對(duì)已知樣本分類(lèi)的正確率 對(duì)

23、未知樣本分類(lèi)的正確率 過(guò)訓(xùn)練,浙江大學(xué)CAD&CG 國(guó)家重點(diǎn)實(shí)驗(yàn)室,對(duì)邏輯關(guān)系“或”的學(xué)習(xí),浙江大學(xué)CAD&CG 國(guó)家重點(diǎn)實(shí)驗(yàn)室,網(wǎng)絡(luò)有兩個(gè)輸入，一個(gè)輸出，都是二元變量 輸出為1如果 W0I0 +W1I1 + Wb 0 輸出為0如果 W0 I0+W1 I1 + Wb = 0,調(diào)整權(quán)重,權(quán)重的修改與期望輸出和實(shí)際輸出之差成正比 是學(xué)習(xí)率，d是期望輸出，y是實(shí)際輸出，xi是輸入,浙江大學(xué)CAD&CG 國(guó)家重點(diǎn)實(shí)驗(yàn)室,示例,當(dāng)?shù)?步時(shí)，(d-y)=0，因此W=0，則訓(xùn)練結(jié)束,浙江大學(xué)CAD&CG 國(guó)家重點(diǎn)實(shí)驗(yàn)室,多層感知器,反向傳播網(wǎng)絡(luò) 徑向基函數(shù)網(wǎng)絡(luò) 能夠?qū)W習(xí)任意復(fù)雜的模式 輸入、輸出均可以為實(shí)數(shù)

24、,浙江大學(xué)CAD&CG 國(guó)家重點(diǎn)實(shí)驗(yàn)室,反向傳播網(wǎng)絡(luò),三層：輸入層、隱含層、輸出層，前一層的輸出是后一層的輸入 是一種前饋網(wǎng)，不形成回路 可以有多個(gè)隱含層 三層結(jié)點(diǎn)已經(jīng)能夠產(chǎn)生任意復(fù)雜的映射,浙江大學(xué)CAD&CG 國(guó)家重點(diǎn)實(shí)驗(yàn)室,典型BP網(wǎng)絡(luò)結(jié)構(gòu),浙江大學(xué)CAD&CG 國(guó)家重點(diǎn)實(shí)驗(yàn)室,作用函數(shù)：,BP學(xué)習(xí)算法,將全部權(quán)值與結(jié)點(diǎn)的閾值設(shè)置為一個(gè)小的隨機(jī)值 加在輸入與輸出 計(jì)算實(shí)際輸出 修正權(quán)值 從輸出結(jié)點(diǎn)開(kāi)始，反向的向第一隱含層（即存在多層隱含層時(shí)最接近輸入層的隱含層）傳播由總誤差誘發(fā)的權(quán)值修正 在到達(dá)預(yù)定誤差精度和循環(huán)次數(shù)后退出，否則轉(zhuǎn)步驟2重復(fù),浙江大學(xué)CAD&CG 國(guó)家重點(diǎn)實(shí)驗(yàn)室,徑向基函

25、數(shù)網(wǎng)絡(luò),前饋網(wǎng)絡(luò)，只有一個(gè)隱含層 能夠表示任意復(fù)雜的映射 隱含層的作用函數(shù)稱(chēng)為徑向基函數(shù)，在某一點(diǎn)函數(shù)有最大值，而離開(kāi)該點(diǎn)一定距離的值被映射為0 一般的，取徑向基函數(shù)為高斯函數(shù),浙江大學(xué)CAD&CG 國(guó)家重點(diǎn)實(shí)驗(yàn)室,訓(xùn)練RBF網(wǎng)絡(luò),需要決定 隱含層包含多少個(gè)結(jié)點(diǎn) 每個(gè)結(jié)點(diǎn)作用函數(shù) 訓(xùn)練過(guò)程 首先通過(guò)觀察訓(xùn)練樣本，決定作用函數(shù)的形狀 用前面的delta規(guī)則修正權(quán)重 應(yīng)用 物體分類(lèi) 函數(shù)插值,浙江大學(xué)CAD&CG 國(guó)家重點(diǎn)實(shí)驗(yàn)室,小結(jié),BP和RBF網(wǎng)絡(luò)是兩個(gè)常用的神經(jīng)網(wǎng)絡(luò)模型 當(dāng)系統(tǒng)遇到新的未知樣本，RBF可以通過(guò)添加隱含層結(jié)點(diǎn)加強(qiáng)系統(tǒng)的判斷能力 兩者都能處理動(dòng)態(tài)時(shí)序數(shù)據(jù),浙江大學(xué)CAD&CG 國(guó)

26、家重點(diǎn)實(shí)驗(yàn)室,神經(jīng)網(wǎng)絡(luò)應(yīng)用,當(dāng)我們沒(méi)辦法明確給出一個(gè)算法解時(shí) 當(dāng)我們有充足的樣本時(shí) 當(dāng)我們需要從數(shù)據(jù)中獲得一點(diǎn)什么時(shí) 我們可以使用神經(jīng)網(wǎng)絡(luò),浙江大學(xué)CAD&CG 國(guó)家重點(diǎn)實(shí)驗(yàn)室,神經(jīng)網(wǎng)絡(luò)應(yīng)用,對(duì)于那些傳統(tǒng)計(jì)算解決不了的問(wèn)題，神經(jīng)網(wǎng)絡(luò)也無(wú)法解決 神經(jīng)網(wǎng)絡(luò)可以簡(jiǎn)化某些特定問(wèn)題的解答，例如，從數(shù)據(jù)中提煉一個(gè)模型 對(duì)于數(shù)據(jù)形成過(guò)程未知或者復(fù)雜的問(wèn)題而言，神經(jīng)網(wǎng)絡(luò)能夠幫助我們從一定程度上理解內(nèi)在的規(guī)律,浙江大學(xué)CAD&CG 國(guó)家重點(diǎn)實(shí)驗(yàn)室,神經(jīng)網(wǎng)絡(luò)應(yīng)用,投資分析 筆跡分析 過(guò)程控制 市場(chǎng)調(diào)查 狀態(tài)監(jiān)控,浙江大學(xué)CAD&CG 國(guó)家重點(diǎn)實(shí)驗(yàn)室,神經(jīng)網(wǎng)絡(luò)與游戲,判斷所處的環(huán)境 決定下一步的動(dòng)作 用于表示積累的

27、經(jīng)驗(yàn),浙江大學(xué)CAD&CG 國(guó)家重點(diǎn)實(shí)驗(yàn)室,神經(jīng)元網(wǎng)絡(luò),坦克的射擊訓(xùn)練示例 Neuro network demo,遺傳算法,遺傳算法的基本思想是基于Darwin進(jìn)化論和Mendel的遺傳學(xué)說(shuō)的 適者生存原理 基因遺傳原理（基因突變和基因雜交） 遺傳算法一般用于在難易預(yù)測(cè)其中各個(gè)因素之間相互作用的大型系統(tǒng)上作非線性?xún)?yōu)化,浙江大學(xué)CAD&CG 國(guó)家重點(diǎn)實(shí)驗(yàn)室,遺傳算法工作原理,選擇初始群體 觀察每個(gè)個(gè)體對(duì)環(huán)境的適應(yīng)能量 選擇 重復(fù) 雜交 變異 觀察每個(gè)個(gè)體對(duì)環(huán)境的適應(yīng)能量 選擇 直到滿(mǎn)足某些結(jié)束條件,浙江大學(xué)CAD&CG 國(guó)家重點(diǎn)實(shí)驗(yàn)室,進(jìn)化和遺傳學(xué)的概念,串（string） 它是個(gè)體(Indiv

28、idual)的形式，在算法中為二進(jìn)制串，并且對(duì)應(yīng)于遺傳學(xué)中的染色體(Chromosome) 群體(Population) 個(gè)體的集合稱(chēng)為群體，串是群體的元素 基因(Gene) 基因是串中的元素，基因用于表示個(gè)體的特征。例如有一個(gè)串S1011，則其中的1，0，1，1這4個(gè)元素分別稱(chēng)為基因。它們的值稱(chēng)為等位基因(Alletes) 基因位置(Gene Position) 一個(gè)基因在串中的位置稱(chēng)為基因位置，有時(shí)也簡(jiǎn)稱(chēng)基因位?；蛭恢糜纱淖笙蛴矣?jì)算，例如在串S1101中，0的基因位置是3?；蛭恢脤?duì)應(yīng)于遺傳學(xué)中的地點(diǎn)(Locus),進(jìn)化和遺傳學(xué)的概念,基因特征值(Gene Feature) 在用串表示

29、整數(shù)時(shí)，基因的特征值與二進(jìn)制數(shù)的權(quán)一致；例如在串S=1011中，基因位置3中的1，它的基因特征值為2；基因位置1中的1，它的基因特征值為8 非線性 它對(duì)應(yīng)遺傳學(xué)中的異位顯性(Epistasis) 適應(yīng)度(Fitness) 表示某一個(gè)體對(duì)于環(huán)境的適應(yīng)程度,選擇,這是從群體中選擇出較適應(yīng)環(huán)境的個(gè)體。這些選中的個(gè)體用于繁殖下一代。故有時(shí)也稱(chēng)這一操作為再生(Reproduction)。由于在選擇用于繁殖下一代的個(gè)體時(shí)，是根據(jù)個(gè)體對(duì)環(huán)境的適應(yīng)度而決定其繁殖量的，故而有時(shí)也稱(chēng)為非均勻再生(differential reproduction),浙江大學(xué)CAD&CG 國(guó)家重點(diǎn)實(shí)驗(yàn)室,選擇,根據(jù)適者生存原則選擇

30、下一代的個(gè)體。在選擇時(shí)，以適應(yīng)度為選擇原則。適應(yīng)度準(zhǔn)則體現(xiàn)了適者生存，不適應(yīng)者淘汰的自然法則 給出目標(biāo)函數(shù)f，則f(bi)稱(chēng)為個(gè)體bi的適應(yīng)度 為選中bi為下一代個(gè)體的次數(shù),浙江大學(xué)CAD&CG 國(guó)家重點(diǎn)實(shí)驗(yàn)室,選擇,性質(zhì)： 適應(yīng)度較高的個(gè)體，繁殖下一代的數(shù)目較多。 適應(yīng)度較小的個(gè)體，繁殖下一代的數(shù)目較少；甚至被淘汰。 選擇產(chǎn)生對(duì)環(huán)境適應(yīng)能力較強(qiáng)的后代。對(duì)于問(wèn)題求解角度來(lái)講，就是選擇出和最優(yōu)解較接近的中間解。,浙江大學(xué)CAD&CG 國(guó)家重點(diǎn)實(shí)驗(yàn)室,交叉,對(duì)于選中用于繁殖下一代的個(gè)體，隨機(jī)地選擇兩個(gè)個(gè)體的相同位置，按交叉概率P，在選中的位置實(shí)行交換。這個(gè)過(guò)程反映了隨機(jī)信息交換；目的在于產(chǎn)生新的基

31、因組合，也即產(chǎn)生新的個(gè)體。交叉時(shí)，可實(shí)行單點(diǎn)交叉或多點(diǎn)交叉,浙江大學(xué)CAD&CG 國(guó)家重點(diǎn)實(shí)驗(yàn)室,交叉,例如有個(gè)體 S1=100101 S2=010111 選擇它們的左邊3位進(jìn)行交叉操作，則有 S1=010101 S2=100111 一般而言，交叉概率P的取值為0.25-0.75,浙江大學(xué)CAD&CG 國(guó)家重點(diǎn)實(shí)驗(yàn)室,變異,根據(jù)生物遺傳中基因變異的原理，以變異概率Pm對(duì)某些個(gè)體的某些位執(zhí)行變異。在變異時(shí)，對(duì)執(zhí)行變異的串的對(duì)應(yīng)位求反，即把1變?yōu)?，把0變?yōu)?。變異概率Pm與生物變異極小的情況一致，所以，Pm的取值較小，一般取0.01-0.2 例如有個(gè)體S101011，對(duì)其的第1、4位置的基因進(jìn)行

32、變異，則有S=001111 單靠變異不能在求解中得到好處。但是，它能保證算法過(guò)程不會(huì)產(chǎn)生無(wú)法進(jìn)化的單一群體。因?yàn)樵谒械膫€(gè)體一樣時(shí)，交叉是無(wú)法產(chǎn)生新的個(gè)體的，這時(shí)只能靠變異產(chǎn)生新的個(gè)體。也就是說(shuō)，變異增加了全局優(yōu)化的特質(zhì)。,浙江大學(xué)CAD&CG 國(guó)家重點(diǎn)實(shí)驗(yàn)室,組合,選擇雜交進(jìn)化 選擇使得適者生存 雜交將不同個(gè)體中優(yōu)良的基因保存下來(lái)，創(chuàng)造新的具有各方面優(yōu)勢(shì)的品種 選擇變異在優(yōu)化中加入隨機(jī)擾動(dòng) 遺傳算法是采用隨機(jī)方法進(jìn)行最優(yōu)解搜索，選擇體現(xiàn)了向最優(yōu)解迫近，變異體現(xiàn)了全局最優(yōu)解的復(fù)蓋 壞的變異將最終被選擇出去,浙江大學(xué)CAD&CG 國(guó)家重點(diǎn)實(shí)驗(yàn)室,組合,選擇雜交突變遺傳算法的力量,浙江大學(xué)CAD&

33、CG 國(guó)家重點(diǎn)實(shí)驗(yàn)室,遺傳算法,P:= 以隨機(jī)方式產(chǎn)生串的集合 如果最優(yōu)個(gè)體的適應(yīng)度還未達(dá)到給定的閥值，或者最優(yōu)個(gè)體的適應(yīng)度和群體適應(yīng)度仍然在上升 令fi=Fitness(pi), i=1n 令P= SelectionNewPopulation(p,f) 隨機(jī)兩兩組合P中的個(gè)體 對(duì)每一對(duì)個(gè)體，以概率C進(jìn)行雜交 對(duì)P中的每一個(gè)個(gè)體，以概率M進(jìn)行編譯 令P=P,浙江大學(xué)CAD&CG 國(guó)家重點(diǎn)實(shí)驗(yàn)室,結(jié)束條件,最優(yōu)個(gè)體的適應(yīng)度達(dá)到給定的閥值 最優(yōu)個(gè)體的適應(yīng)度和群體適應(yīng)度不再上升 達(dá)到預(yù)先設(shè)定的最大循環(huán)數(shù)（繁衍代數(shù)） 群體中的所有個(gè)體具有相同的屬性,浙江大學(xué)CAD&CG 國(guó)家重點(diǎn)實(shí)驗(yàn)室,遺傳算法參數(shù),群體大小n 交叉概率Pc 變異概率Pm 繁衍代數(shù) 其他：取決與具體的操作和結(jié)束條件,浙江大學(xué)CAD&CG 國(guó)家重點(diǎn)實(shí)驗(yàn)室,編碼方式,除二進(jìn)制編碼外，問(wèn)題的各種參數(shù)可以用實(shí)數(shù)向量構(gòu)成子串 選擇：與串類(lèi)似 變異：將按照高斯概率分布的隨機(jī)變量g加到某個(gè)參數(shù)上,浙江大學(xué)CAD&CG 國(guó)家重點(diǎn)實(shí)驗(yàn)室,遺傳規(guī)劃,遺傳算法的一個(gè)分支，由Koza提出，與遺傳算法用串的形式表示所不同的是，遺傳規(guī)劃的表示是計(jì)算機(jī)程序 它是一種自動(dòng)編程技術(shù) 終結(jié)符集合：變量、常數(shù) 函數(shù)集合：程序中的函數(shù) 用分析樹(shù)的形式表示中間產(chǎn)生的程序,