Как использовать нейронные сети для решения «мягких» решений?

Question

Я рассматриваю возможность использования нейронной сети для вождения своих врагов в космической шутерской игре, которую я создаю, и мне интересно; как вы тренируете нейронные сети, когда нет ни одного окончательного хорошего набора выходов для сети?

Answer 1

Я изучаю нейронные сети в настоящий момент, и они кажутся совершенно бесполезными без четких входных и выходных кодировок и они вообще не масштабируются до сложности (см. http://en.wikipedia.org/wiki/VC_dimension). поэтому исследования нейронной сети имели столь малое применение после первоначальной шумихи более 20-30 лет назад, в то время как основанный на семантическом/государственном искусстве AI взял на себя все интересы из-за его успеха в реальных приложениях.

• А так хорошее место для начала - это выяснить, как численно представить состояние игры в качестве входов для нейронной сети.
• Следующим шагом было бы выяснить, какой выход будет соответствовать действиям в игре.
• подумайте о структуре нейронной сети для использования. Чтобы получить интересное сложное поведение из нейронных сетей, сеть почти должна повторяться. Вам понадобится рекуррентная сеть, потому что у них есть «память», но помимо этого вам больше нечего делать дальше. Однако рекуррентные сети с любой сложной структурой действительно трудно обучить себя.
• Области, в которых успешные нейронные сети имеют тенденцию быть классифицированными (изображение, аудио, грамматика и т. Д.) И ограниченный успех в статистическом прогнозировании (какое слово мы ожидаем после этого слова, какова будет цена акций завтра?)

Короче говоря, для вас, вероятно, лучше использовать нейронные сети для небольшой части игры, а не для основного ИИ противника.

Answer 2

Вы можете проверить AI Dynamic game difficulty balancing для различных методов ИИ и ссылок.

(ИМО, вы можете реализовать противника поведения, как «окружают врага», который будет действительно круто, не вникая в сложные понятия ИИ)

Edit: так как вы делаете космический шутер и вы хотите какой-то ИИ для своих врагов, я считаю, что вы найдете интересную ссылку: Steering Behaviors For Autonomous Characters

Answer 3

Считаете ли вы, что легко изменить FSM в ответ на стимулы? В конце концов, это всего лишь таблица чисел, вы можете хранить ее где-то в памяти и менять номера по мере их поступления. Я написал об этом немного в одном из моих блогов, которые заправляли доспехами, и это странно получило какое-то новостное место Game AI. Тогда парень, который построил г-жу Пакман AI, которая могла победить людей и получила настоящие новости, оставила комментарий в моем блоге со ссылкой на еще более полезную информацию.

вот мое сообщение в блоге с моими бессвязными бранями о какой-то идее I имел об использовании цепей маркова, чтобы постоянно адаптироваться к игровой среде и, возможно, накладывать и комбинировать то, что компьютер узнал о том, как игрок реагирует на игровые ситуации.

http://bustingseams.blogspot.com/2008/03/funny-obsessive-ideas.html

и вот ссылка на удивительный ресурс об обучении с подкреплением, что господин. smarty mcpacman отправлен для меня.

http://www.cs.ualberta.ca/%7Esutton/book/ebook/the-book.html

вот еще один крутой ссылку

http://aigamedev.com/open/architecture/online-adaptation-game-opponent/

Они не нейронная сеть подходы, но они адаптироваться и постоянно учиться, и, вероятно, лучше всего подходит для игр, чем нейронные сети.

Answer 4

Я отсылаю вас к двум книгам Мэтью Бакланда.

• Programming Game AI by example
• AI Techniques for Game Programming

Вторая книга переходит в обратное распространении ИНС, которая является то, что большинство людей, когда они говорят о NN так или иначе.

Это, я думаю, первая книга более полезна, если вы хотите создать значимый игровой ИИ. Хорошая, мясистая секция по успешному использованию FSM (и да, легко сесть с FSM).