论文部分内容阅读
目前，MMOG(Massively Multiplayer Online Games)中的人工智能AI(ArtificialIntelligence)技术还比较简单，都是基于单一目标的简单行为，不能满足网络游戏的动态性需求。而多目标进化算法可以实现更加复杂的游戏智能，进化出令人惊叹的复杂的协作行为。 本文在深入研究多目标进化算法相关技术的基础上，将多目标进化算法应用于MMOG中进化NPCs(Non-Player Characters)的复杂行为，并对算法进行了改进，使之更好适应MMOG。 本文所作的主要工作如下： 1.针对MMOG中NPCs的行为表现单一问题，本文提出了一种进化NPCs复杂行为的多目标进化算法INSGA-Ⅱ(Improved Non-dominated Sorting Genetic Algorithm-Ⅱ)，该算法在进行精英选择时使用基于K-均值聚类算法来对不同Pareto等级之间个体进行聚类划分，然后从具有个体差异性的不同集合中选择个体进化到下一代。保证收敛性的同时更好的保持了种群的多样性。 2.设置了NPCs和玩家作战的游戏场景；给出了NPC需要优化的三个适应性目标的描述，适应性函数值即为每个NPC在游戏中的得分情况。在此基础上，首先使用非支配排序方法对种群中的个体NPC进行排序使之进入连续的Pareto等级；然后从每个Pareto等级中选择个体。选择过程首先使用基于K-均值聚类方法对不同等级的个体进行聚类划分，然后从划分后的集合中选择时考虑支配当前个体的数量来确定和已选个体的相似度，选择相似性小的个体进入下一代。保证NPCs行为趋于收敛的同时进化出来了以诱敌为主要方式的多模式协作行为。 3.对INSGA-Ⅱ算法产生的实验数据进行了详细的统计分析，结果表明此算法有能力进化和提高种群中个体NPC的行为，NPCs三个适应性目标的得分随着进化的进行都有显著的提高。从INSGA-Ⅱ和NSGA-Ⅱ的Pareto曲面可以看出INSGA-Ⅱ表现出更好的收敛性和种群多样性。