Удосконалення моделі поведінки інтелектуального агенту на основі генетичного алгоритму
DOI:
https://doi.org/10.20998/2411-0558.2021.02.05Анотація
Представлено вирішення завдання удосконалення моделі поведінки неігрового персонажу, що виступає в якості інтелектуального агенту, за рахунок оптимізації вхідних параметрів на основі генетичного алгоритму. Запропонований підхід включає розробку моделі неігрового персонажу: скелету, твердих тіл та реалізація динамічної моделі персонажу, заснованої на алгоритмі Фізерстоуна, та моделювання поведінки персонажу на основі генетичного алгоритму. Запропоновано формування моделі поведінки із використанням генетичного алгоритму, що моделює фізичні властивості персонажу з урахуванням його дій. Етапи роботи генетичного алгоритму включають: створення початкової популяції, оцінка пристосовуваності, відбір, схрещування та мутації. За результатами проведених експериментів визначено вхідні параметри моделі поведінки моделі неігрового персонажу, що максимізують сукупну оцінку пристосовності, яка виступає в якості оцінки винагороди та які можуть бути використані як початкові вхідні значення при проведенні подальших експериментів.
Ключові слова: неігровий персонаж, інтелектуальний агент, симуляція, генетичний алгоритм
Посилання
The Next Generation 1996 Lexicon A to Z: NPC (Nonplayer Character). Next Generation.
No. 15. Imagine Media. March 1996. – P. 38.
Wang, D., Subagdja, B., Tan, A.-H., Ng, G. W. (2009), Creating human-like autonomous
players in real-time first person shooter computer games. In Proceedings of Twenty-First
Annual Conference on Innovative Applications of Artificial Intelligence. P. 14-16.
Wang, D., Tan, A.-H. (2015), Creating autonomous adaptive agents in a real-time firstperson
shooter computer game. Computational Intelligence and AI in Games, IEEE
Transactions on, 7, P. 123–138.
Soni, B., Hingston, P. (2008), Bots trained to play like a human are more fun. In: IEEE
International Joint Conference on Neural Networks, IJCNN 2008. – IEEE World Congress on
Computational Intelligence, P. 363-369.
Simon, H.A. (1995), Artificial intelligence: an empirical science. Artif. Intell. 77 (1), P. 95-
McPartland M., Gallagher M. (2008), Creating a multi-purpose перша людина shooter bot
with reinforcement learning. In Computational Intelligence and Games, 2008. CIG '08. IEEE
Symposium On, Dec. P. 143-150.
Hong J.-H., Cho S.-B. (2005), Evolving reactive NPCs for real-time simulation game. In
Proceedings of the 2005 IEEE Symposium on Computational Intelligence and Games
(CIG05), 4-6 April 2005.
Mora A. M. et al. (2010), Evolving bot AI in unreal tm. European Conference on the
Applications of Evolutionary Computation. Springer, Berlin, Heidelberg. P. 171-180.
Wang X. et al. (2021), SCC: efficient deep reinforcement learning agent mastering the
game of StarCraft II. International Conference on Machine Learning. PMLR. P. 10905-10915.
Pezzotti N. (2021), MimicBot: Combining Imitation and Reinforcement Learning to win in Bot Bowl. arXiv preprint arXiv:2108.09478.
Geyer H, Herr H. (2010), A muscle-reflex model that encodes principles of legged mechanics produces human walking dynamics and muscle activities. IEEE Trans Neural Syst Rehabil Eng., 18(3). P. 263-73. doi: 10.1109/TNSRE.2010.2047592.
Wittenburg J. (2013), Dynamics of systems of rigid bodies. Springer-Verlag. Т. 33.
Falconer R. et al. (2009), Large Polygon Collider A Modular Physics Engine.
Featherstone R. (2014), Rigid body dynamics algorithms. Springer.
Mirtich B. V. (1996), Impulse-based dynamic simulation of rigid body systems. University of California, Berkeley.
Goldberg D. E., Holland J. H. (1988), Genetic algorithms and machine learning.
