基于棋牌類組合規(guī)則的游戲人工智能的設(shè)計與實現(xiàn).pdf

1、游戲中智能的設(shè)計與構(gòu)建一直是人工智能研究中的熱門領(lǐng)域。游戲中，人工智能不僅要模仿人的智能，還需要擁有達到設(shè)計者為了滿足玩家需求所設(shè)定的目的的能力。通過對游戲信息的收集、積累和歸納，智能體憑借獲得的經(jīng)驗對游戲的狀態(tài)有了一定的預見性，并由此做出合理的反應。
　　 早期的人工智能運行在固定的環(huán)境下，作為一個成熟的人工智能，依靠設(shè)計者的知識和經(jīng)驗生存在對應的環(huán)境中。智能體在決策時獲得所有的可操作行為以及對應產(chǎn)生的結(jié)果，由此依據(jù)當前的情況

2、建立局部或全局決策樹。常用的方法有最小最大算法、A*算法、有限狀態(tài)機等。此類智能體的局限在于必須依靠設(shè)計者的經(jīng)驗以及不允許環(huán)境發(fā)生變化。換言之，設(shè)計者必須考慮所有可能的情況，否則當環(huán)境變化超出原有預先的設(shè)計時，智能體則無法做出正確的行為。
　　 通用游戲策略旨在開發(fā)一種沒有游戲經(jīng)驗支撐下能夠精通各類游戲的人工智能。在僅獲得游戲規(guī)則的情況下，依靠智能體的學習能力實現(xiàn)經(jīng)驗的累積過程。這對于人工智能的實現(xiàn)有非常大的意義。
　　

3、 本文的主要提出一種適合于通用游戲策略環(huán)境下人工智能的設(shè)計方法。采用時序差分學習算法解決了游戲經(jīng)驗積累的問題；通過對游戲過程中的狀態(tài)進行篩選和抽象，提高智能體的決策效率。并實現(xiàn)了對棋類游戲 Tic-Tac-Toe中的人工智能設(shè)計。
　　 其次，利用蒙特卡洛抽樣方法實現(xiàn)棋牌類游戲中非完備信息向完備信息的轉(zhuǎn)化，從而適用于通用游戲策略。并運用在融合了棋類與牌類規(guī)則的Card-TTT游戲中，使智能體在包含了非完備信息的環(huán)境中依然可以進行