随机决策算法

Question

我正在制作一个简单的AI，我对这个领域非常陌生。我需要的是一种基于某些参数做出某种决定的算法;但有一点随机性。到目前为止，我一直在做的是根据我得到的不同值生成一个随机数;采取不同的执行路径。我以某种方式认为有更好的方法来做这种事情。你能给我一些指点吗？

Answer 1

我不认为有比你所做的更好的方法，因为问题描述非常模糊，而且它实际上是人工智能问题还是模拟问题尚不清楚。

对于决策部分，通常可以使用简单的启发式系统（基于对被建模行为的直观理解），这是一系列条件语句，可能有一些随机因素会使其变化一点。你可以有一个加权平均系统，选择几个选项，根据感知质量进行排名，然后随机选择一个选项，同时偏向于更好的值。 （这被称为轮盘选择或遗传算法圆圈中的fitness proportionate selection，但在GA之外也非常有用。）

对于模拟零件，您通常需要对过程进行建模，然后引入随机性，以模拟更细微的部分该过程。这意味着要清楚地定义你的输入（反手力量，球的方向，......）和你的输出（球的行进向量？），并考虑它们如何相互关联。这意味着你得到了一些已知值的输出，然后你可以用你的随机数发生器修改它们。如果您试图模拟人类的选择而不仅仅是物理模拟，情况会变得更加复杂，因为这通常优先于所有其他输入。

我可以从一个简单的例子开始，就是玩家AI选择他们想要击球的地方。我将球的计划方向作为一个矢量来计算，该矢量可以将球准确地发送到计划的地方。然后系统根据球的方向，速度，球员的能力等计算0％到100％的难度分数。我生成一个'不准确'修饰符，它是0％和难度％之间的一个随机数，这意味着一个完美的镜头将是完全准确的，而半球镜头的准确度在0％和50％之间。然后，我计算一个随机归一化的单位长度三维矢量，通过这个不准确的值进行缩放，并将其添加到预期的方向。这意味着更难的镜头会倾向于进一步偏离目标。

Answer 2

与大多数关于随机性的问题一样，值得一问的是你要找的是真正的随机性，即白噪声还是湍流（又名Perlin Noise）。一般来说，在大多数领域中，你更可能从湍流中获得看起来比白噪声更“自然”的行为。

Answer 3

根据结果与最佳“期望”状态或结果的接近程度给每个执行路径分数。使您的算法根据以前的决策的平均得分选择其未来的执行路径，从而以最高得分的决策给出更大的结果概率。这样，它看起来就好像你的算法不仅仅是学习，而且随机地探索其他可能性，但比做似乎最好的概率要低。当然，通过不仅考虑每个决策路径的分数，而且还考虑其增长率或收缩率，可以使其具有适应性。如果一个决定开始是好的，但是经过多次迭代后，得分越来越低，应该避免更频繁地支持另一个决定谁的得分有增长的趋势。