《人工智能导论》第11章-人工智能在游戏设计中的应用

啊阿狸不会拉杆

发布于 2026-01-21 12:29:49

1870

11.1 人工智能游戏

人工智能游戏（AI Game）是指将人工智能技术深度融入游戏设计，使游戏角色具备自主决策、学习和适应能力的新型游戏形态。从 1958 年的首款电子游戏 “两人网球” 到如今的开放世界大作，AI 技术已成为提升游戏体验的核心要素。例如《和平精英》通过接入大模型技术，实现了 NPC 与玩家的自然语言交互，提供战术指导和个性化服务。

11.2 游戏人工智能

11.2.1 游戏人工智能的概念与分类

游戏人工智能（Game AI）是指在游戏中模拟智能行为的技术，分为定性和非定性两类：

定性技术：基于预设规则，行为可预测（如路径搜索、有限状态机）。
非定性技术：结合机器学习实现动态决策（如神经网络、遗传算法）。

11.2.2 基本的游戏人工智能技术

搜索技术：A * 算法广泛用于路径规划，结合启发式函数（如欧氏距离）优化搜索效率。
遗传算法：用于优化角色路径，综合考虑地形、距离等因素生成适应度函数。
模糊逻辑：处理不确定性，例如根据敌军距离和规模评估威胁等级。

11.3 游戏中的角色与分类

游戏角色分为玩家角色（PC）和非玩家角色（NPC）。NPC 根据行为复杂度分为：

静态 AI：基于固定规则（如《吃豆人》中的幽灵）。
动态 AI：实时响应环境变化（如《CS》中的敌人）。
学习型 AI：通过机器学习提升策略（如 OpenAI Five 在《Dota 2》中的表现）。

11.4 智能游戏角色设计基本技术

11.4.1 游戏角色的指导与运动

使用 Pygame 实现角色移动：

import pygame

class Character:
    def __init__(self, x, y):
        self.x = x
        self.y = y
        self.speed = 5

    def move(self, dx, dy):
        self.x += dx * self.speed
        self.y += dy * self.speed

11.4.2 游戏角色的追逐与躲避

视线追逐算法：

def pursuit(enemy, target):
    # 计算敌人与目标的向量差
    dx = target.x - enemy.x
    dy = target.y - enemy.y
    distance = (dx**2 + dy**2)**0.5
    
    # 归一化方向向量
    if distance > 0:
        enemy.x += (dx / distance) * enemy.speed
        enemy.y += (dy / distance) * enemy.speed

11.4.3 游戏角色的群聚

基于 Reynolds 三原则的群聚算法：

class Boid:
    def __init__(self, x, y):
        self.position = pygame.Vector2(x, y)
        self.velocity = pygame.Vector2(0, 0)
    
    def cohesion(self, neighbors):
        # 计算邻近个体的平均位置
        avg_pos = pygame.Vector2(0, 0)
        for neighbor in neighbors:
            avg_pos += neighbor.position
        if len(neighbors) > 0:
            avg_pos /= len(neighbors)
            return (avg_pos - self.position).normalize()
        return pygame.Vector2(0, 0)

11.4.4 游戏角色的路径搜索

A * 算法实现：

import heapq

def astar(grid, start, end):
    open_set = []
    heapq.heappush(open_set, (0, start))
    came_from = {}
    g_score = {cell: float('inf') for row in grid for cell in row}
    g_score[start] = 0

    while open_set:
        current = heapq.heappop(open_set)[1]
        if current == end:
            return reconstruct_path(came_from, end)
        for neighbor in get_neighbors(grid, current):
            tentative_g = g_score[current] + 1
            if tentative_g < g_score[neighbor]:
                came_from[neighbor] = current
                g_score[neighbor] = tentative_g
                heapq.heappush(open_set, (g_score[neighbor] + heuristic(neighbor, end), neighbor))
    return None

11.4.5 智能搜索引擎

基于 A * 算法的路径搜索可视为智能搜索引擎，用于游戏内导航和资源查找。

11.5 智能游戏开发方法与开发工具

11.5.1 智能游戏开发方法

数据驱动：通过玩家行为数据优化 AI 决策。
模块化设计：将 AI 功能封装为独立模块（如寻路、战斗）。

11.5.2 智能游戏开发工具

Pygame：Python 游戏开发库，支持 2D 图形和物理模拟。
Unity ML-Agents：Unity 插件，用于训练 AI 角色。

11.6 扫雷机智能游戏开发

基于概率推理的扫雷 AI：

class MinesweeperAI:
    def __init__(self, height, width):
        self.height = height
        self.width = width
        self.safes = set()
        self.mines = set()
    
    def add_knowledge(self, cell, count):
        self.safes.add(cell)
        nearby = self.get_nearby_cells(cell)
        unknown = nearby - self.safes - self.mines
        if len(unknown) == count:
            self.mines.update(unknown)