隨機決策算法

Question

我正在製作一個簡單的AI，我對這個領域非常陌生。我需要的是一種基於某些參數做出某種決定的算法;但有一點隨機性。到目前爲止，我一直在做的是根據我得到的不同值生成一個隨機數;採取不同的執行路徑。我以某種方式認爲有更好的方法來做這種事情。你能給我一些指點嗎？

Answer 1

我不認爲有比你所做的更好的方法，因爲問題描述非常模糊，而且它實際上是人工智能問題還是模擬問題尚不清楚。

對於決策部分，通常可以使用簡單的啓發式系統（基於對被建模行爲的直觀理解），這是一系列條件語句，可能有一些隨機因素會使其變化一點。你可以有一個加權平均系統，選擇幾個選項，根據感知質量進行排名，然後隨機選擇一個選項，同時偏向於更好的值。 （這被稱爲輪盤選擇或遺傳算法圓圈中的fitness proportionate selection，但在GA之外也非常有用。）

對於模擬零件，您通常需要對過程進行建模，然後引入隨機性，以模擬更細微的部分該過程。這意味着要清楚地定義你的輸入（反手力量，球的方向，......）和你的輸出（球的行進向量？），並考慮它們如何相互關聯。這意味着你得到了一些已知值的輸出，然後你可以用你的隨機數發生器修改它們。如果您試圖模擬人類的選擇而不僅僅是物理模擬，情況會變得更加複雜，因爲這通常優先於所有其他輸入。

我可以從一個簡單的例子開始，就是玩家AI選擇他們想要擊球的地方。我將球的計劃方向作爲一個矢量來計算，該矢量可以將球準確地發送到計劃的地方。然後系統根據球的方向，速度，球員的能力等計算0％到100％的難度分數。我生成一個'不準確'修飾符，它是0％和難度％之間的一個隨機數，這意味着一個完美的鏡頭將是完全準確的，而半球鏡頭的準確度在0％和50％之間。然後，我計算一個隨機歸一化的單位長度三維矢量，通過這個不準確的值進行縮放，並將其添加到預期的方向。這意味着更難的鏡頭會傾向於進一步偏離目標。

Answer 2

與大多數關於隨機性的問題一樣，值得一問的是你要找的是真正的隨機性，即白噪聲還是湍流（又名Perlin Noise）。一般來說，在大多數領域中，你更可能從湍流中獲得看起來比白噪聲更「自然」的行爲。

Answer 3

根據結果與最佳「期望」狀態或結果的接近程度給每個執行路徑分數。使您的算法根據以前的決策的平均得分選擇其未來的執行路徑，從而以最高得分的決策給出更大的結果概率。這樣，它看起來就好像你的算法不僅僅是學習，而且隨機地探索其他可能性，但比做似乎最好的概率要低。當然，通過不僅考慮每個決策路徑的分數，而且還考慮其增長率或收縮率，可以使其具有適應性。如果一個決定開始是好的，但是經過多次迭代後，得分越來越低，應該避免更頻繁地支持另一個決定誰的得分有增長的趨勢。