কিভাবে একটি গেমিং এআই তৈরি করবেন: নতুনদের জন্য একটি গাইড

আমি গেমগুলিতে কৃত্রিম বুদ্ধিমত্তা সম্পর্কে কিছু আকর্ষণীয় উপাদান পেয়েছি। সাধারণ উদাহরণ ব্যবহার করে এআই সম্পর্কে প্রাথমিক জিনিসগুলির ব্যাখ্যা সহ, এবং এর ভিতরে সুবিধাজনক বিকাশ এবং নকশার জন্য অনেক দরকারী সরঞ্জাম এবং পদ্ধতি রয়েছে। কিভাবে, কোথায়, কখন এগুলো ব্যবহার করতে হবে তাও রয়েছে।

বেশিরভাগ উদাহরণই সিউডোকোডে লেখা, তাই কোন উন্নত প্রোগ্রামিং জ্ঞানের প্রয়োজন নেই। কাটের নীচে ছবি এবং জিআইএফ সহ টেক্সটের 35টি শীট রয়েছে, তাই প্রস্তুত হন।

ইউপিডি। আমি ক্ষমাপ্রার্থী, কিন্তু আমি ইতিমধ্যে Habré-এ এই নিবন্ধটির নিজস্ব অনুবাদ করেছি রোগী জিরো. আপনি তার সংস্করণ পড়তে পারেন এখানে, কিন্তু কিছু কারণে নিবন্ধটি আমাকে পাস করেছে (আমি অনুসন্ধান ব্যবহার করেছি, কিন্তু কিছু ভুল হয়েছে)। এবং যেহেতু আমি গেম ডেভেলপমেন্টের জন্য নিবেদিত একটি ব্লগে লিখছি, তাই আমি আমার অনুবাদের সংস্করণটি গ্রাহকদের জন্য ছেড়ে দেওয়ার সিদ্ধান্ত নিয়েছি (কিছু পয়েন্ট ভিন্নভাবে ফর্ম্যাট করা হয়েছে, কিছু ইচ্ছাকৃতভাবে বিকাশকারীদের পরামর্শে বাদ দেওয়া হয়েছে)।

AI কি?

গেম এআই কোন বস্তুর অবস্থানের উপর ভিত্তি করে কোন ক্রিয়া সম্পাদন করা উচিত তার উপর দৃষ্টি নিবদ্ধ করে। এটিকে সাধারণত "বুদ্ধিমান এজেন্ট" ব্যবস্থাপনা হিসাবে উল্লেখ করা হয়, যেখানে একজন এজেন্ট একটি খেলোয়াড়ের চরিত্র, একটি যান, একটি বট বা কখনও কখনও আরও বিমূর্ত কিছু: সত্তার একটি সম্পূর্ণ গোষ্ঠী বা এমনকি একটি সভ্যতা। প্রতিটি ক্ষেত্রে, এটি এমন একটি জিনিস যা অবশ্যই তার পরিবেশ দেখতে হবে, তার উপর ভিত্তি করে সিদ্ধান্ত নিতে হবে এবং সেগুলি অনুসারে কাজ করতে হবে। এটাকে সেন্স/থিঙ্ক/অ্যাক্ট চক্র বলা হয়:

• সংবেদন: এজেন্ট তার পরিবেশে এমন জিনিসগুলি সম্পর্কে তথ্য খুঁজে পায় বা গ্রহণ করে যা তার আচরণকে প্রভাবিত করতে পারে (আশেপাশের হুমকি, সংগ্রহের আইটেম, অন্বেষণ করার জন্য আকর্ষণীয় স্থান)।
• চিন্তা করুন: এজেন্ট সিদ্ধান্ত নেয় কিভাবে প্রতিক্রিয়া দেখাবে (বিবেচনা করে যে আইটেম সংগ্রহ করা যথেষ্ট নিরাপদ কিনা বা তার প্রথমে লড়াই করা/লুকাতে হবে কিনা)।
• আইন: এজেন্ট পূর্ববর্তী সিদ্ধান্ত বাস্তবায়নের জন্য ক্রিয়া সম্পাদন করে (শত্রু বা বস্তুর দিকে অগ্রসর হতে শুরু করে)।
• ...এখন চরিত্রগুলির ক্রিয়াকলাপের কারণে পরিস্থিতি পরিবর্তিত হয়েছে, তাই চক্রটি নতুন ডেটার সাথে পুনরাবৃত্তি হয়৷

AI লুপের সেন্স অংশে ফোকাস করতে থাকে। উদাহরণস্বরূপ, স্বায়ত্তশাসিত গাড়িগুলি রাস্তার ছবি তোলে, তাদের রাডার এবং লিডার ডেটার সাথে একত্রিত করে এবং তাদের ব্যাখ্যা করে। এটি সাধারণত মেশিন লার্নিং দ্বারা করা হয়, যা ইনকামিং ডেটা প্রসেস করে এবং এর অর্থ প্রদান করে, "আপনার থেকে 20 গজ এগিয়ে আরেকটি গাড়ি আছে" এর মতো শব্দার্থিক তথ্য বের করে। এগুলি তথাকথিত শ্রেণিবিন্যাস সমস্যা।

গেমগুলির তথ্য বের করার জন্য একটি জটিল সিস্টেমের প্রয়োজন নেই কারণ বেশিরভাগ ডেটা ইতিমধ্যেই এটির একটি অবিচ্ছেদ্য অংশ। সামনে কোনো শত্রু আছে কিনা তা নির্ধারণ করতে ইমেজ রিকগনিশন অ্যালগরিদম চালানোর দরকার নেই—গেমটি ইতিমধ্যেই জানে এবং তথ্য সরাসরি সিদ্ধান্ত গ্রহণের প্রক্রিয়ায় ফিড করে। অতএব, চক্রের সংবেদন অংশটি প্রায়শই চিন্তা এবং আইন অংশের তুলনায় অনেক সহজ।

গেম এআই এর সীমাবদ্ধতা

AI এর বেশ কয়েকটি সীমাবদ্ধতা রয়েছে যা অবশ্যই পালন করা উচিত:

• এআইকে আগে থেকে প্রশিক্ষণের প্রয়োজন নেই, যেন এটি একটি মেশিন লার্নিং অ্যালগরিদম। কয়েক হাজার প্লেয়ারকে নিরীক্ষণ করতে এবং তাদের বিরুদ্ধে খেলার সর্বোত্তম উপায় শেখার জন্য বিকাশের সময় একটি নিউরাল নেটওয়ার্ক লেখার কোনও মানে হয় না। কেন? কারণ গেমটি মুক্তি পায়নি এবং কোন খেলোয়াড় নেই।
• গেমটি মজাদার এবং চ্যালেঞ্জিং হওয়া উচিত, তাই এজেন্টদের মানুষের বিরুদ্ধে সর্বোত্তম পন্থা খুঁজে পাওয়া উচিত নয়।
• এজেন্টদের বাস্তবসম্মত দেখতে হবে যাতে খেলোয়াড়দের মনে হয় যে তারা সত্যিকারের মানুষের বিরুদ্ধে খেলছে। AlphaGo প্রোগ্রাম মানুষকে ছাড়িয়ে গেছে, কিন্তু বেছে নেওয়া পদক্ষেপগুলি গেমের ঐতিহ্যগত বোঝার থেকে অনেক দূরে ছিল। গেমটি যদি একজন মানুষের প্রতিপক্ষকে অনুকরণ করে তবে এই অনুভূতিটি থাকা উচিত নয়। অ্যালগরিদম পরিবর্তন করা দরকার যাতে এটি আদর্শের পরিবর্তে যুক্তিসঙ্গত সিদ্ধান্ত নেয়।
• এআই অবশ্যই রিয়েল টাইমে কাজ করবে। এর মানে হল যে অ্যালগরিদম সিদ্ধান্ত নেওয়ার জন্য দীর্ঘ সময়ের জন্য CPU ব্যবহারকে একচেটিয়া করতে পারে না। এমনকি 10 মিলিসেকেন্ডও খুব দীর্ঘ, কারণ বেশিরভাগ গেমের সমস্ত প্রক্রিয়াকরণ করতে এবং পরবর্তী গ্রাফিক্স ফ্রেমে যেতে শুধুমাত্র 16 থেকে 33 মিলিসেকেন্ডের প্রয়োজন হয়।
• আদর্শভাবে, সিস্টেমের অন্তত অংশ ডেটা-চালিত হওয়া উচিত, যাতে নন-কোডাররা পরিবর্তন করতে পারে এবং আরও দ্রুত সমন্বয় ঘটতে পারে।

আসুন AI পদ্ধতির দিকে তাকাই যা সমগ্র সেন্স/থিঙ্ক/অ্যাক্ট চক্রকে কভার করে।

মৌলিক সিদ্ধান্ত গ্রহণ

এর সহজতম খেলা দিয়ে শুরু করা যাক - পং। লক্ষ্য: প্যাডেলটি সরান যাতে বলটি উড়ে যাওয়ার পরিবর্তে এটি থেকে বাউন্স করে। এটা টেনিসের মত, যেখানে বল না মারলে আপনি হারবেন। এখানে AI এর একটি অপেক্ষাকৃত সহজ কাজ রয়েছে - প্ল্যাটফর্মটি কোন দিকে সরানো হবে তা নির্ধারণ করা।

শর্তসাপেক্ষ বিবৃতি

পং-এ এআই-এর জন্য, সবচেয়ে সুস্পষ্ট সমাধান হল সর্বদা বলের নীচে প্ল্যাটফর্ম রাখার চেষ্টা করা।

এটির জন্য একটি সাধারণ অ্যালগরিদম, সিউডোকোডে লেখা:

গেমটি চলাকালীন প্রতিটি ফ্রেম/আপডেট:
যদি বলটি প্যাডেলের বাম দিকে থাকে:
প্যাডেল বামে সরান
অন্যথায় যদি বলটি প্যাডেলের ডানদিকে থাকে:
প্যাডেল ডানদিকে সরান

যদি প্ল্যাটফর্মটি বলের গতিতে চলে, তবে এটি পং-এ AI-এর জন্য আদর্শ অ্যালগরিদম। এজেন্টের জন্য এত বেশি ডেটা এবং সম্ভাব্য পদক্ষেপ না থাকলে কিছু জটিল করার দরকার নেই।

এই পদ্ধতিটি এত সহজ যে সমগ্র ইন্দ্রিয়/চিন্তা/অ্যাক্ট চক্রটি খুব কমই লক্ষণীয়। কিন্তু এটা আছে:

• সংবেদন অংশ দুটি যদি বিবৃতি. গেমটি জানে বলটি কোথায় এবং প্ল্যাটফর্মটি কোথায়, তাই এআই সেই তথ্যের জন্য এটির দিকে তাকায়।
• থিঙ্ক অংশটিও দুটি ইফ স্টেটমেন্টের অন্তর্ভুক্ত। তারা দুটি সমাধান মূর্ত করে, যা এই ক্ষেত্রে পারস্পরিক একচেটিয়া। ফলস্বরূপ, তিনটি ক্রিয়াগুলির মধ্যে একটি নির্বাচন করা হয়েছে - প্ল্যাটফর্মটিকে বাম দিকে সরান, এটিকে ডানদিকে সরান, বা এটি ইতিমধ্যে সঠিকভাবে অবস্থান করলে কিছুই করবেন না৷
• অ্যাক্টের অংশটি প্যাডেল বামে সরান এবং প্যাডেল ডানদিকে সরান বিবৃতিতে পাওয়া যায়। গেম ডিজাইনের উপর নির্ভর করে, তারা তাত্ক্ষণিকভাবে বা একটি নির্দিষ্ট গতিতে প্ল্যাটফর্মটি সরাতে পারে।

এই ধরনের পন্থাগুলিকে প্রতিক্রিয়াশীল বলা হয় - নিয়মগুলির একটি সাধারণ সেট রয়েছে (এই ক্ষেত্রে যদি কোডে বিবৃতি থাকে) যা বিশ্বের বর্তমান অবস্থার প্রতি প্রতিক্রিয়া জানায় এবং পদক্ষেপ নেয়।

সিদ্ধান্ত গাছ

পং উদাহরণটি আসলে একটি সিদ্ধান্ত গাছ নামে একটি আনুষ্ঠানিক AI ধারণার সমতুল্য। অ্যালগরিদম একটি "পাতা"-এ পৌঁছানোর জন্য এটির মধ্য দিয়ে যায় - কী পদক্ষেপ নেওয়া হবে সে সম্পর্কে একটি সিদ্ধান্ত৷

আমাদের প্ল্যাটফর্মের অ্যালগরিদমের জন্য সিদ্ধান্ত গাছের একটি ব্লক চিত্র তৈরি করা যাক:

গাছের প্রতিটি অংশকে একটি নোড বলা হয় - এআই এই ধরনের কাঠামো বর্ণনা করতে গ্রাফ তত্ত্ব ব্যবহার করে। দুই ধরনের নোড আছে:

• সিদ্ধান্ত নোড: কিছু শর্ত পরীক্ষার উপর ভিত্তি করে দুটি বিকল্পের মধ্যে নির্বাচন করা, যেখানে প্রতিটি বিকল্প একটি পৃথক নোড হিসাবে উপস্থাপন করা হয়।
• শেষ নোডস: যে ক্রিয়া সম্পাদনের জন্য চূড়ান্ত সিদ্ধান্তের প্রতিনিধিত্ব করে।

অ্যালগরিদম প্রথম নোড থেকে শুরু হয় (গাছের "মূল")। এটি হয় কোন চাইল্ড নোডে যাবে সে বিষয়ে সিদ্ধান্ত নেয়, অথবা এটি নোডে সঞ্চিত ক্রিয়া সম্পাদন করে এবং প্রস্থান করে।

পূর্ববর্তী বিভাগে if স্টেটমেন্টের মতো একই কাজ করার সিদ্ধান্ত গাছ থাকার সুবিধা কী? এখানে একটি সাধারণ ব্যবস্থা রয়েছে যেখানে প্রতিটি সিদ্ধান্তের শুধুমাত্র একটি শর্ত এবং দুটি সম্ভাব্য ফলাফল রয়েছে। এটি বিকাশকারীকে হার্ড-কোড না করেই একটি গাছের সিদ্ধান্তের প্রতিনিধিত্বকারী ডেটা থেকে AI তৈরি করতে দেয়। আসুন এটি টেবিল আকারে উপস্থাপন করা যাক:

কোড সাইডে আপনি স্ট্রিং পড়ার জন্য একটি সিস্টেম পাবেন। তাদের প্রত্যেকের জন্য একটি নোড তৈরি করুন, দ্বিতীয় কলামের উপর ভিত্তি করে সিদ্ধান্তের যুক্তি সংযুক্ত করুন এবং তৃতীয় এবং চতুর্থ কলামের উপর ভিত্তি করে চাইল্ড নোড তৈরি করুন। আপনাকে এখনও শর্ত এবং ক্রিয়াগুলি প্রোগ্রাম করতে হবে, তবে এখন গেমের কাঠামো আরও জটিল হবে। এখানে আপনি অতিরিক্ত সিদ্ধান্ত এবং ক্রিয়া যোগ করুন, এবং তারপর শুধুমাত্র ট্রি সংজ্ঞা টেক্সট ফাইল সম্পাদনা করে সম্পূর্ণ AI কাস্টমাইজ করুন। এরপরে, আপনি একটি গেম ডিজাইনারের কাছে ফাইলটি স্থানান্তর করেন, যিনি গেমটি পুনরায় সংকলন না করে বা কোড পরিবর্তন না করে আচরণ পরিবর্তন করতে পারেন।

ডিসিশন ট্রিগুলি খুব দরকারী যখন সেগুলি উদাহরণগুলির একটি বড় সেট থেকে স্বয়ংক্রিয়ভাবে তৈরি করা হয় (উদাহরণস্বরূপ, ID3 অ্যালগরিদম ব্যবহার করে)৷ এটি তাদের প্রাপ্ত ডেটার উপর ভিত্তি করে পরিস্থিতি শ্রেণীবদ্ধ করার জন্য একটি কার্যকর এবং উচ্চ-কার্যক্ষমতার হাতিয়ার করে তোলে। যাইহোক, আমরা এজেন্টদের কর্ম নির্বাচন করার জন্য একটি সাধারণ সিস্টেমের বাইরে যাই।

স্ক্রিপ্ট

আমরা একটি ডিসিশন ট্রি সিস্টেম বিশ্লেষণ করেছি যা পূর্ব-নির্মিত শর্ত এবং ক্রিয়া ব্যবহার করে। যে ব্যক্তি এআই ডিজাইন করছেন তিনি যেভাবে চান গাছটি সাজাতে পারেন, তবে তাকে এখনও সেই কোডারের উপর নির্ভর করতে হবে যিনি এটি সমস্ত প্রোগ্রাম করেছেন। যদি আমরা ডিজাইনারকে তাদের নিজস্ব শর্ত বা ক্রিয়া তৈরি করার সরঞ্জাম দিতে পারি?

যাতে প্রোগ্রামারকে প্যাডেলের বামে এবং প্যাডেলের ডান দিকের অবস্থার জন্য কোড লিখতে না হয়, সে এমন একটি সিস্টেম তৈরি করতে পারে যেখানে ডিজাইনার এই মানগুলি পরীক্ষা করার শর্ত লিখবেন। তারপর সিদ্ধান্ত গাছের ডেটা এইরকম দেখাবে:

এটি মূলত প্রথম টেবিলের মতোই, তবে সমাধানগুলির নিজস্ব কোড রয়েছে, কিছুটা if স্টেটমেন্টের শর্তাধীন অংশের মতো। কোডের দিকে, এটি সিদ্ধান্ত নোডের জন্য দ্বিতীয় কলামে পড়বে, কিন্তু কার্যকর করার জন্য একটি নির্দিষ্ট শর্ত খোঁজার পরিবর্তে (প্যাডলের বল বামে আছে), এটি শর্তসাপেক্ষ অভিব্যক্তিকে মূল্যায়ন করে এবং সেই অনুযায়ী সত্য বা মিথ্যা প্রদান করে। এটি লুয়া বা অ্যাঞ্জেলস্ক্রিপ্ট স্ক্রিপ্টিং ভাষা ব্যবহার করে করা হয়। এগুলি ব্যবহার করে, একজন বিকাশকারী তার গেমের (বল এবং প্যাডেল) অবজেক্ট নিতে পারে এবং স্ক্রিপ্টে উপলব্ধ ভেরিয়েবল তৈরি করতে পারে (ball.position)। এছাড়াও, স্ক্রিপ্টিং ভাষা C++ এর চেয়ে সহজ। এটির একটি সম্পূর্ণ সংকলন পর্যায়ের প্রয়োজন নেই, তাই এটি দ্রুত গেমের যুক্তি সামঞ্জস্য করার জন্য আদর্শ এবং "নন-কোডারদের" প্রয়োজনীয় ফাংশনগুলি নিজেরাই তৈরি করতে দেয়৷

উপরের উদাহরণে, স্ক্রিপ্টিং ভাষা শুধুমাত্র শর্তসাপেক্ষ অভিব্যক্তি মূল্যায়ন করার জন্য ব্যবহার করা হয়, কিন্তু এটি কর্মের জন্যও ব্যবহার করা যেতে পারে। উদাহরণস্বরূপ, ডাটা মুভ প্যাডেল রাইট একটি স্ক্রিপ্ট স্টেটমেন্টে পরিণত হতে পারে (ball.position.x += 10)। যাতে অ্যাকশনটি স্ক্রিপ্টে সংজ্ঞায়িত করা হয়, প্যাডেল ডানদিকে প্রোগ্রাম করার প্রয়োজন ছাড়াই।

আপনি আরও এগিয়ে যেতে পারেন এবং একটি স্ক্রিপ্টিং ভাষায় সম্পূর্ণ সিদ্ধান্ত ট্রি লিখতে পারেন। এটি হার্ডকোডেড কন্ডিশনাল স্টেটমেন্টের আকারে কোড হবে, তবে সেগুলি এক্সটার্নাল স্ক্রিপ্ট ফাইলে অবস্থিত হবে, অর্থাৎ, পুরো প্রোগ্রামটি পুনরায় কম্পাইল না করেই এগুলি পরিবর্তন করা যেতে পারে। আপনি প্রায়শই গেমপ্লের সময় স্ক্রিপ্ট ফাইলটি সম্পাদনা করতে পারেন যাতে দ্রুত বিভিন্ন এআই প্রতিক্রিয়া পরীক্ষা করা যায়।

ইভেন্ট প্রতিক্রিয়া

উপরের উদাহরণগুলি পং এর জন্য উপযুক্ত। তারা ক্রমাগত সেন্স/থিঙ্ক/অ্যাক্ট চক্র চালায় এবং বিশ্বের সর্বশেষ অবস্থার উপর ভিত্তি করে কাজ করে। তবে আরও জটিল গেমগুলিতে আপনাকে পৃথক ইভেন্টগুলিতে প্রতিক্রিয়া জানাতে হবে এবং একবারে সবকিছু মূল্যায়ন করতে হবে না। এই ক্ষেত্রে পং ইতিমধ্যে একটি খারাপ উদাহরণ। এর অন্য একটি নির্বাচন করা যাক.

এমন একটি শ্যুটার কল্পনা করুন যেখানে শত্রুরা খেলোয়াড়কে সনাক্ত না করা পর্যন্ত গতিহীন থাকে, তারপরে তারা তাদের "বিশেষায়ন" এর উপর নির্ভর করে কাজ করে: কেউ "তাড়াহুড়ো" করতে দৌড়াবে, কেউ দূর থেকে আক্রমণ করবে। এটি এখনও একটি মৌলিক প্রতিক্রিয়াশীল সিস্টেম - "যদি একজন খেলোয়াড়কে দেখা যায় তবে কিছু করুন" - তবে এটি যৌক্তিকভাবে একটি প্লেয়ার সেন ইভেন্ট এবং একটি প্রতিক্রিয়াতে বিভক্ত হতে পারে (একটি প্রতিক্রিয়া নির্বাচন করুন এবং এটি কার্যকর করুন)।

এটি আমাদের সেন্স/থিঙ্ক/অ্যাক্ট চক্রে ফিরিয়ে আনে। আমরা একটি সেন্স পার্ট কোড করতে পারি যা প্রতিটি ফ্রেম চেক করবে যে এআই প্লেয়ারটিকে দেখছে কিনা। যদি না হয়, কিছুই হয় না, তবে যদি এটি দেখে তবে প্লেয়ার সেন ইভেন্ট তৈরি হয়। কোডটিতে একটি পৃথক বিভাগ থাকবে যেখানে বলা হবে "যখন প্লেয়ার সিন ইভেন্ট হবে, করবেন" চিন্তা ও আইনের অংশগুলিকে সম্বোধন করার জন্য আপনার প্রতিক্রিয়া কোথায়। এইভাবে, আপনি প্লেয়ার সেন ইভেন্টে প্রতিক্রিয়া সেট আপ করবেন: "তাড়াতাড়ি" চরিত্রের জন্য - চার্জঅ্যান্ডঅ্যাটাক এবং স্নাইপারের জন্য - হাইডঅ্যান্ডস্নাইপ। এই সম্পর্কগুলি পুনরায় কম্পাইল না করে দ্রুত সম্পাদনার জন্য ডেটা ফাইলে তৈরি করা যেতে পারে। স্ক্রিপ্টিং ভাষা এখানেও ব্যবহার করা যেতে পারে।

কঠিন সিদ্ধান্ত নেওয়া

যদিও সাধারণ প্রতিক্রিয়া সিস্টেমগুলি খুব শক্তিশালী, এমন অনেক পরিস্থিতি রয়েছে যেখানে তারা যথেষ্ট নয়। কখনও কখনও এজেন্ট বর্তমানে যা করছে তার উপর ভিত্তি করে আপনাকে বিভিন্ন সিদ্ধান্ত নিতে হবে, কিন্তু এটি একটি শর্ত হিসাবে কল্পনা করা কঠিন। কখনও কখনও সিদ্ধান্ত গাছ বা স্ক্রিপ্টে তাদের কার্যকরভাবে উপস্থাপন করার জন্য অনেকগুলি শর্ত থাকে। কখনও কখনও আপনাকে পরবর্তী পদক্ষেপের সিদ্ধান্ত নেওয়ার আগে পরিস্থিতি কীভাবে পরিবর্তিত হবে তা আগে থেকেই মূল্যায়ন করতে হবে। এই সমস্যাগুলি সমাধানের জন্য আরও পরিশীলিত পদ্ধতির প্রয়োজন।

সসীম রাষ্ট্র মেশিন

ফিনিট স্টেট মেশিন বা এফএসএম (সসীম স্টেট মেশিন) হল এই কথা বলার একটি উপায় যে আমাদের এজেন্ট বর্তমানে বেশ কয়েকটি সম্ভাব্য অবস্থার একটিতে রয়েছে এবং এটি একটি রাজ্য থেকে অন্য রাজ্যে স্থানান্তর করতে পারে। এই জাতীয় রাজ্যগুলির একটি নির্দিষ্ট সংখ্যক রয়েছে—তাই নাম। জীবনের সেরা উদাহরণ হল একটি ট্রাফিক লাইট। বিভিন্ন জায়গায় আলোর বিভিন্ন ক্রম আছে, কিন্তু নীতি একই - প্রতিটি রাষ্ট্র কিছু প্রতিনিধিত্ব করে (স্টপ, হাঁটা, ইত্যাদি)। একটি ট্র্যাফিক লাইট যেকোন সময়ে শুধুমাত্র একটি অবস্থায় থাকে এবং সাধারণ নিয়মের উপর ভিত্তি করে একটি থেকে অন্যটিতে চলে যায়।

গেমগুলিতে এনপিসিগুলির সাথে এটি একটি অনুরূপ গল্প। উদাহরণস্বরূপ, আসুন নিম্নলিখিত রাজ্যগুলির সাথে একটি গার্ড নেওয়া যাক:

• টহল।
• আক্রমণ করছে।
• পলায়ন।

এবং এর অবস্থা পরিবর্তনের জন্য এই শর্তগুলি:

• প্রহরী শত্রুকে দেখলে আক্রমণ করে।
• যদি প্রহরী আক্রমণ করে কিন্তু শত্রুকে আর দেখতে না পায় তবে সে টহল দিতে ফিরে আসে।
• একজন প্রহরী আক্রমণ করলেও গুরুতর আহত হলে সে পালিয়ে যায়।

আপনি অভিভাবক রাষ্ট্র পরিবর্তনশীল এবং বিভিন্ন চেক সহ if-statements লিখতে পারেন: কাছাকাছি কোন শত্রু আছে কি, NPC-এর স্বাস্থ্যের স্তর কী, ইত্যাদি। আসুন আরও কয়েকটি রাজ্য যোগ করি:

• আলস্য - টহল মধ্যে.
• অনুসন্ধান - যখন লক্ষ্য করা শত্রু অদৃশ্য হয়ে গেছে।
• সাহায্য খোঁজা - যখন একটি শত্রু দেখা যায়, কিন্তু একা লড়াই করার জন্য খুব শক্তিশালী।

তাদের প্রত্যেকের জন্য পছন্দ সীমিত - উদাহরণস্বরূপ, প্রহরী যদি তার স্বাস্থ্য কম থাকে তবে লুকানো শত্রুর সন্ধানে যাবে না।

সর্বোপরি, "ifs" এর একটি বিশাল তালিকা রয়েছে , যে "অত্যধিক কষ্টকর হয়ে উঠতে পারে, তাই আমাদের এমন একটি পদ্ধতিকে আনুষ্ঠানিক করতে হবে যা আমাদের রাজ্যগুলির মধ্যে রাজ্যগুলি এবং পরিবর্তনগুলিকে মাথায় রাখতে দেয়৷ এটি করার জন্য, আমরা সমস্ত রাজ্যকে বিবেচনা করি এবং প্রতিটি রাজ্যের অধীনে আমরা তাদের জন্য প্রয়োজনীয় শর্ত সহ অন্যান্য রাজ্যে সমস্ত রূপান্তর একটি তালিকায় লিখে রাখি।

এটি একটি রাষ্ট্রীয় রূপান্তর টেবিল - FSM প্রতিনিধিত্ব করার একটি ব্যাপক উপায়। আসুন একটি চিত্র আঁকুন এবং NPC আচরণ কীভাবে পরিবর্তিত হয় তার একটি সম্পূর্ণ ওভারভিউ পান।

চিত্রটি বর্তমান পরিস্থিতির উপর ভিত্তি করে এই এজেন্টের জন্য সিদ্ধান্ত গ্রহণের সারমর্মকে প্রতিফলিত করে। অধিকন্তু, প্রতিটি তীর রাজ্যের মধ্যে একটি পরিবর্তন দেখায় যদি এর পাশের শর্তটি সত্য হয়।

প্রতিটি আপডেটে আমরা এজেন্টের বর্তমান অবস্থা পরীক্ষা করি, ট্রানজিশনের তালিকা দেখি এবং যদি ট্রানজিশনের শর্ত পূরণ করা হয়, তাহলে এটি নতুন অবস্থা গ্রহণ করে। উদাহরণস্বরূপ, প্রতিটি ফ্রেম 10-সেকেন্ডের টাইমারের মেয়াদ শেষ হয়ে গেছে কিনা তা পরীক্ষা করে এবং যদি তাই হয়, তাহলে গার্ড অলস অবস্থা থেকে প্যাট্রোলিং-এ যায়। একইভাবে, অ্যাটাকিং স্টেট এজেন্টের স্বাস্থ্য পরীক্ষা করে - যদি এটি কম হয়, তবে এটি ফ্লাইং স্টেটে চলে যায়।

এটি রাজ্যগুলির মধ্যে পরিবর্তনগুলি পরিচালনা করছে, তবে রাজ্যগুলির সাথে সম্পর্কিত আচরণ সম্পর্কে কী বলা যায়? একটি নির্দিষ্ট রাষ্ট্রের জন্য প্রকৃত আচরণ বাস্তবায়নের ক্ষেত্রে, সাধারণত দুটি ধরনের "হুক" আছে যেখানে আমরা FSM-কে অ্যাকশন বরাদ্দ করি:

• বর্তমান অবস্থার জন্য আমরা পর্যায়ক্রমে সঞ্চালিত ক্রিয়া।
• এক রাজ্য থেকে অন্য রাজ্যে রূপান্তর করার সময় আমরা যে পদক্ষেপগুলি নিয়ে থাকি।

প্রথম ধরনের জন্য উদাহরণ. প্যাট্রোলিং স্টেট প্রতিটি ফ্রেমে টহল রুট বরাবর এজেন্টকে নিয়ে যাবে। আক্রমণকারী রাষ্ট্র প্রতিটি ফ্রেমে আক্রমণ শুরু করার চেষ্টা করবে বা এমন একটি রাজ্যে স্থানান্তর করবে যেখানে এটি সম্ভব।

দ্বিতীয় প্রকারের জন্য, রূপান্তরটি বিবেচনা করুন “যদি শত্রু দৃশ্যমান হয় এবং শত্রু খুব শক্তিশালী হয়, তাহলে ফাইন্ডিং হেল্প স্টেটে যান। এজেন্টকে অবশ্যই বেছে নিতে হবে কোথায় সাহায্যের জন্য যেতে হবে এবং এই তথ্য সংরক্ষণ করতে হবে যাতে ফাইন্ডিং হেল্প স্টেট জানতে পারে কোথায় যেতে হবে। একবার সাহায্য পাওয়া গেলে, এজেন্ট আক্রমণকারী অবস্থায় ফিরে যায়। এই মুহুর্তে, তিনি মিত্রকে হুমকি সম্পর্কে বলতে চাইবেন, তাই NotifyFriendOfThreat অ্যাকশন ঘটতে পারে।

আবারও, আমরা এই সিস্টেমটিকে সেন্স/থিঙ্ক/অ্যাক্ট চক্রের লেন্সের মাধ্যমে দেখতে পারি। সংবেদন রূপান্তর যুক্তি দ্বারা ব্যবহৃত তথ্য মূর্ত হয়. চিন্তা করুন - প্রতিটি রাজ্যে উপলব্ধ রূপান্তর। এবং আইন একটি রাষ্ট্রের মধ্যে বা রাজ্যগুলির মধ্যে পরিবর্তনের সময় পর্যায়ক্রমে সম্পাদিত ক্রিয়াগুলির দ্বারা সঞ্চালিত হয়।

কখনও কখনও ক্রমাগত ভোট পরিবর্তনের অবস্থা ব্যয়বহুল হতে পারে। উদাহরণ স্বরূপ, প্রতিটি এজেন্ট যদি শত্রুদের দেখতে পায় কিনা এবং প্যাট্রোলিং থেকে অ্যাটাকিং অবস্থায় রূপান্তর করতে পারে কিনা তা নির্ধারণ করতে প্রতিটি ফ্রেমে জটিল গণনা করে, তাহলে CPU সময় লাগবে।

বিশ্বের রাষ্ট্রে গুরুত্বপূর্ণ পরিবর্তনগুলিকে ঘটনা হিসাবে ভাবা যেতে পারে যেগুলি ঘটলেই প্রক্রিয়া করা হবে৷ FSM ট্রানজিশন কন্ডিশন চেক করার পরিবর্তে "আমার এজেন্ট কি প্লেয়ার দেখতে পাচ্ছেন?" প্রতিটি ফ্রেমে, কম ঘন ঘন চেক করার জন্য একটি আলাদা সিস্টেম কনফিগার করা যেতে পারে (যেমন প্রতি সেকেন্ডে 5 বার)। এবং ফলাফল চেক পাস যখন প্লেয়ার দেখা হয়েছে ইস্যু করা হয়.

এটি এফএসএম-এ পাস করা হয়েছে, যা এখন প্লেয়ার সেন ইভেন্ট প্রাপ্ত শর্তে যেতে হবে এবং সেই অনুযায়ী প্রতিক্রিয়া জানাতে হবে। প্রতিক্রিয়া জানানোর আগে প্রায় অদৃশ্য বিলম্ব ছাড়া ফলস্বরূপ আচরণ একই। কিন্তু সেন্স অংশটিকে প্রোগ্রামের একটি পৃথক অংশে আলাদা করার ফলে কর্মক্ষমতা উন্নত হয়েছে।

অনুক্রমিক সসীম রাষ্ট্র মেশিন

যাইহোক, বড় FSM-এর সাথে কাজ করা সবসময় সুবিধাজনক নয়। আমরা যদি আক্রমণের অবস্থাকে MeleeAttacking এবং RangedAttacking আলাদা করার জন্য প্রসারিত করতে চাই, তাহলে আমাদের অন্যান্য সমস্ত রাজ্য থেকে পরিবর্তনগুলি পরিবর্তন করতে হবে যা আক্রমণকারী অবস্থার দিকে নিয়ে যায় (বর্তমান এবং ভবিষ্যত)।

আপনি সম্ভবত লক্ষ্য করেছেন যে আমাদের উদাহরণে প্রচুর ডুপ্লিকেট রূপান্তর রয়েছে। আইডলিং স্টেটে বেশিরভাগ ট্রানজিশন প্যাট্রোলিং স্টেটের ট্রানজিশনের মতো। নিজেদের পুনরাবৃত্তি না করা ভালো হবে, বিশেষ করে যদি আমরা আরও অনুরূপ অবস্থা যোগ করি। এটি "নন-কমব্যাট" এর সাধারণ লেবেলের অধীনে গ্রুপ আইডলিং এবং প্যাট্রোলিংকে বোধগম্য করে, যেখানে যুদ্ধের রাজ্যে রূপান্তরের একটি সাধারণ সেট রয়েছে। যদি আমরা এই লেবেলটিকে একটি রাষ্ট্র হিসাবে চিন্তা করি, তাহলে Idling এবং Patrolling সাবস্টেট হয়ে যায়। একটি নতুন নন-কমব্যাট সাবস্টেটের জন্য একটি পৃথক ট্রানজিশন টেবিল ব্যবহার করার একটি উদাহরণ:

প্রধান রাজ্য:


যুদ্ধ অবস্থার বাইরে:


এবং ডায়াগ্রাম আকারে:

এটি একই সিস্টেম, কিন্তু একটি নতুন নন-কমব্যাট স্টেট যার মধ্যে আইডলিং এবং প্যাট্রোলিং অন্তর্ভুক্ত রয়েছে। প্রতিটি রাজ্যে একটি FSM সহ সাবস্টেট রয়েছে (এবং এই সাবস্টেটগুলি, ঘুরে, তাদের নিজস্ব FSM ধারণ করে - এবং আপনার যতক্ষণ প্রয়োজন ততক্ষণ পর্যন্ত), আমরা একটি হায়ারার্কিক্যাল ফিনিট স্টেট মেশিন বা HFSM (হায়ারার্কিক্যাল ফিনিট স্টেট মেশিন) পাই। নন-কম্ব্যাট স্টেটকে গোষ্ঠীবদ্ধ করে, আমরা অপ্রয়োজনীয় ট্রানজিশনের একটি গুচ্ছ কেটে ফেলি। আমরা সাধারণ ট্রানজিশন সহ যেকোনো নতুন রাজ্যের জন্য একই কাজ করতে পারি। উদাহরণস্বরূপ, যদি ভবিষ্যতে আমরা আক্রমণকারী রাজ্যকে মেলিঅ্যাটাকিং এবং মিসাইল অ্যাটাকিং রাজ্যে প্রসারিত করি, তবে তারা এমন উপ-রাষ্ট্র হবে যা শত্রুর দূরত্ব এবং গোলাবারুদের উপলব্ধতার ভিত্তিতে একে অপরের মধ্যে স্থানান্তরিত হয়। ফলস্বরূপ, জটিল আচরণ এবং উপ-আচরণগুলি ন্যূনতম সদৃশ রূপান্তরের সাথে উপস্থাপন করা যেতে পারে।

আচরণ গাছ

HFSM এর সাথে, আচরণের জটিল সমন্বয়গুলি একটি সহজ উপায়ে তৈরি করা হয়। যাইহোক, একটি সামান্য অসুবিধা আছে যে পরিবর্তন বিধি আকারে সিদ্ধান্ত নেওয়া বর্তমান অবস্থার সাথে ঘনিষ্ঠভাবে সম্পর্কিত। এবং অনেক গেমে এটি ঠিক যা প্রয়োজন। এবং রাষ্ট্রীয় শ্রেণিবিন্যাসের সতর্ক ব্যবহার ট্রানজিশন পুনরাবৃত্তির সংখ্যা কমাতে পারে। কিন্তু কখনও কখনও আপনার এমন নিয়মের প্রয়োজন হয় যেগুলি আপনি যে রাজ্যেই থাকুন না কেন কাজ করে, বা যেগুলি প্রায় যেকোনো রাজ্যেই প্রযোজ্য। উদাহরণস্বরূপ, যদি একজন এজেন্টের স্বাস্থ্য 25%-এ নেমে আসে, আপনি তাকে যুদ্ধে, নিষ্ক্রিয় বা কথা বলার নির্বিশেষে পালিয়ে যেতে চাইবেন - আপনাকে প্রতিটি রাজ্যে এই শর্তটি যোগ করতে হবে। এবং যদি আপনার ডিজাইনার পরে নিম্ন স্বাস্থ্য থ্রেশহোল্ড 25% থেকে 10% এ পরিবর্তন করতে চান, তাহলে এটি আবার করতে হবে।

আদর্শভাবে, এই পরিস্থিতির জন্য এমন একটি ব্যবস্থার প্রয়োজন যেখানে "কোন রাজ্যে থাকতে হবে" সম্পর্কে সিদ্ধান্তগুলি রাজ্যগুলির বাইরে থাকে, যাতে শুধুমাত্র একটি জায়গায় পরিবর্তন করা যায় এবং পরিবর্তনের শর্তগুলি স্পর্শ না করা যায়। আচরণ গাছ এখানে উপস্থিত হয়.

এগুলি বাস্তবায়নের বিভিন্ন উপায় রয়েছে, কিন্তু সারমর্মটি সকলের জন্য মোটামুটি একই এবং একটি সিদ্ধান্ত গাছের মতো: অ্যালগরিদম একটি "রুট" নোড দিয়ে শুরু হয় এবং গাছটিতে নোড থাকে যা সিদ্ধান্ত বা ক্রিয়াকে প্রতিনিধিত্ব করে৷ যদিও কয়েকটি মূল পার্থক্য রয়েছে:

• নোডগুলি এখন তিনটি মানগুলির মধ্যে একটি প্রদান করে: সফল (যদি কাজটি সম্পন্ন হয়), ব্যর্থ (যদি এটি শুরু করা না যায়), বা চলমান (যদি এটি এখনও চলমান থাকে এবং কোন চূড়ান্ত ফলাফল না থাকে)।
• দুটি বিকল্পের মধ্যে বেছে নেওয়ার জন্য আর কোন সিদ্ধান্ত নোড নেই। পরিবর্তে, তারা ডেকোরেটর নোড, যার একটি চাইল্ড নোড রয়েছে। যদি তারা সফল হয়, তারা তাদের একমাত্র চাইল্ড নোড চালায়।
• যে নোডগুলি ক্রিয়া সম্পাদন করে সেগুলি সঞ্চালিত ক্রিয়াগুলিকে উপস্থাপন করার জন্য একটি চলমান মান প্রদান করে।

নোডের এই ছোট সেটকে একত্রিত করে বিপুল সংখ্যক জটিল আচরণ তৈরি করা যেতে পারে। আগের উদাহরণ থেকে HFSM গার্ডকে একটি আচরণের গাছ হিসাবে কল্পনা করা যাক:

এই কাঠামোর সাথে আইডলিং/প্যাট্রোলিং স্টেট থেকে অ্যাটাকিং বা অন্য কোনও রাজ্যে কোনও স্পষ্ট রূপান্তর হওয়া উচিত নয়। যদি একটি শত্রু দৃশ্যমান হয় এবং চরিত্রের স্বাস্থ্য কম থাকে, তাহলে মৃত্যুদন্ড ফ্লাইং নোডে বন্ধ হয়ে যাবে, তা নির্বিশেষে যে নোডটি আগে নির্বাহ করছিল - প্যাট্রোলিং, আইডলিং, অ্যাটাকিং বা অন্য যেকোনও।

আচরণের গাছগুলি জটিল—এগুলি রচনা করার অনেক উপায় রয়েছে, এবং ডেকোরেটর এবং যৌগিক নোডগুলির সঠিক সংমিশ্রণ খুঁজে পাওয়া চ্যালেঞ্জিং হতে পারে। গাছটি কত ঘন ঘন পরীক্ষা করতে হবে সে সম্পর্কেও প্রশ্ন রয়েছে - আমরা কি এর প্রতিটি অংশের মধ্য দিয়ে যেতে চাই বা শুধুমাত্র যখন একটি শর্ত পরিবর্তিত হয়েছে? আমরা কীভাবে নোডগুলির সাথে সম্পর্কিত অবস্থা সংরক্ষণ করব - আমরা কীভাবে জানব যখন আমরা 10 সেকেন্ডের জন্য নিষ্ক্রিয় ছিলাম, বা কীভাবে আমরা জানব যে কোন নোডগুলি শেষবার কার্যকর করা হয়েছে যাতে আমরা সঠিকভাবে ক্রমটি প্রক্রিয়া করতে পারি?

এই কারণে অনেক বাস্তবায়ন আছে। উদাহরণস্বরূপ, কিছু সিস্টেম ইনলাইন ডেকোরেটর দিয়ে ডেকোরেটর নোড প্রতিস্থাপন করেছে। ডেকোরেটরের অবস্থার পরিবর্তন হলে তারা গাছের পুনঃমূল্যায়ন করে, নোডগুলিতে যোগদান করতে সাহায্য করে এবং পর্যায়ক্রমিক আপডেট প্রদান করে।

ইউটিলিটি ভিত্তিক সিস্টেম

কিছু গেমের বিভিন্ন মেকানিক্স থাকে। এটা বাঞ্ছনীয় যে তারা সহজ এবং সাধারণ রূপান্তর নিয়মের সমস্ত সুবিধা গ্রহণ করে, তবে আচরণের সম্পূর্ণ গাছের আকারে অগত্যা নয়। পছন্দের একটি সুস্পষ্ট সেট বা সম্ভাব্য ক্রিয়াকলাপের একটি গাছ থাকার পরিবর্তে, সমস্ত ক্রিয়াগুলি পরীক্ষা করা এবং এই মুহূর্তে সবচেয়ে উপযুক্তটি বেছে নেওয়া সহজ।

ইউটিলিটি-ভিত্তিক সিস্টেম শুধু এটির সাথে সাহায্য করবে। এটি এমন একটি সিস্টেম যেখানে এজেন্টের বিভিন্ন ধরনের ক্রিয়া রয়েছে এবং প্রতিটির আপেক্ষিক উপযোগের উপর ভিত্তি করে কোনটি সম্পাদন করতে হবে তা বেছে নেয়। যেখানে ইউটিলিটি এজেন্টের পক্ষে এই ক্রিয়াটি সম্পাদন করা কতটা গুরুত্বপূর্ণ বা পছন্দসই তার একটি নির্বিচারে পরিমাপ।

বর্তমান অবস্থা এবং পরিবেশের উপর ভিত্তি করে একটি কর্মের গণনাকৃত ইউটিলিটি, এজেন্ট যেকোনো সময় সবচেয়ে উপযুক্ত অন্য অবস্থাটি পরীক্ষা করতে এবং নির্বাচন করতে পারে। এটি FSM-এর অনুরূপ, যেখানে পরিবর্তনগুলি বর্তমানের সহ প্রতিটি সম্ভাব্য অবস্থার জন্য একটি অনুমান দ্বারা নির্ধারিত হয়। অনুগ্রহ করে মনে রাখবেন যে আমরা অগ্রসর হওয়ার জন্য সবচেয়ে দরকারী ক্রিয়া বেছে নিয়েছি (অথবা যদি আমরা ইতিমধ্যে এটি সম্পন্ন করে থাকি তবে থাকি)। আরও বৈচিত্র্যের জন্য, এটি একটি ছোট তালিকা থেকে একটি সুষম কিন্তু এলোমেলো নির্বাচন হতে পারে।

সিস্টেমটি ইউটিলিটি মানগুলির একটি নির্বিচারে পরিসর বরাদ্দ করে-উদাহরণস্বরূপ, 0 (সম্পূর্ণভাবে অবাঞ্ছিত) থেকে 100 (সম্পূর্ণ আকাঙ্খিত)। প্রতিটি ক্রিয়াতে অনেকগুলি পরামিতি রয়েছে যা এই মানের গণনাকে প্রভাবিত করে। আমাদের অভিভাবকের উদাহরণে ফিরে আসা:

ক্রিয়াগুলির মধ্যে স্থানান্তরগুলি অস্পষ্ট—যে কোনও রাষ্ট্র অন্য যে কোনও রাষ্ট্রকে অনুসরণ করতে পারে। ফিরে আসা ইউটিলিটি মানগুলিতে কর্ম অগ্রাধিকার পাওয়া যায়। যদি একটি শত্রু দৃশ্যমান হয়, এবং সেই শত্রু শক্তিশালী হয়, এবং চরিত্রের স্বাস্থ্য কম হয়, তাহলে ফ্লাইং এবং ফাইন্ডিংহেল্প উভয়ই উচ্চ নন-জিরো মান ফিরিয়ে দেবে। এই ক্ষেত্রে, FindingHelp সবসময় উচ্চতর হবে। একইভাবে, অ-যুদ্ধ কার্যক্রম কখনই 50 টির বেশি ফিরে আসে না, তাই তারা সর্বদা যুদ্ধের চেয়ে কম হবে। অ্যাকশন তৈরি এবং তাদের ইউটিলিটি গণনা করার সময় আপনাকে এটি বিবেচনায় নিতে হবে।

আমাদের উদাহরণে, ক্রিয়াগুলি একটি নির্দিষ্ট ধ্রুবক মান বা দুটি স্থির মানের একটি প্রদান করে। একটি আরো বাস্তবসম্মত সিস্টেম মানগুলির একটি ক্রমাগত পরিসর থেকে একটি অনুমান ফিরিয়ে দেবে। উদাহরণস্বরূপ, এজেন্টের স্বাস্থ্য কম হলে ফ্লাইং অ্যাকশন উচ্চতর ইউটিলিটি মান প্রদান করে এবং শত্রু খুব শক্তিশালী হলে অ্যাটাকিং অ্যাকশন নিম্ন ইউটিলিটি মান প্রদান করে। এই কারণে, ফ্লাইং অ্যাকশন যে কোনো পরিস্থিতিতে আক্রমণের চেয়ে অগ্রাধিকার নেয় যেখানে এজেন্ট মনে করে যে শত্রুকে পরাস্ত করার জন্য তার যথেষ্ট স্বাস্থ্য নেই। এটি যেকোন সংখ্যক মানদণ্ডের উপর ভিত্তি করে কর্মকে অগ্রাধিকার দেওয়ার অনুমতি দেয়, এই পদ্ধতিটিকে একটি আচরণের গাছ বা FSM এর চেয়ে আরও নমনীয় এবং পরিবর্তনশীল করে তোলে।

প্রতিটি কর্মের প্রোগ্রাম গণনার জন্য অনেক শর্ত আছে। এগুলি স্ক্রিপ্টিং ভাষায় বা গাণিতিক সূত্রগুলির একটি সিরিজ হিসাবে লেখা যেতে পারে। সিমস, যা একটি চরিত্রের দৈনন্দিন রুটিন অনুকরণ করে, গণনার একটি অতিরিক্ত স্তর যোগ করে - এজেন্ট একটি সিরিজ "প্রেরণা" পায় যা ইউটিলিটি রেটিংকে প্রভাবিত করে। যদি একটি চরিত্র ক্ষুধার্ত থাকে, তবে সময়ের সাথে সাথে তারা আরও ক্ষুধার্ত হয়ে উঠবে, এবং EatFood অ্যাকশনের ইউটিলিটি মান যতক্ষণ না চরিত্রটি এটি সম্পাদন করে ততক্ষণ পর্যন্ত বৃদ্ধি পাবে, ক্ষুধার মাত্রা হ্রাস করবে এবং EatFood এর মান শূন্যে ফিরিয়ে দেবে।

একটি রেটিং সিস্টেমের উপর ভিত্তি করে ক্রিয়াগুলি নির্বাচন করার ধারণাটি বেশ সহজ, তাই একটি ইউটিলিটি-ভিত্তিক সিস্টেমকে এআই সিদ্ধান্ত গ্রহণের প্রক্রিয়াগুলির অংশ হিসাবে ব্যবহার করা যেতে পারে, তাদের জন্য সম্পূর্ণ প্রতিস্থাপন হিসাবে নয়। সিদ্ধান্ত গাছ দুটি চাইল্ড নোডের ইউটিলিটি রেটিং চাইতে পারে এবং উচ্চতর একটি নির্বাচন করতে পারে। একইভাবে, একটি আচরণ গাছের একটি যৌগিক ইউটিলিটি নোড থাকতে পারে যাতে কোন শিশুটি চালানো হবে তা সিদ্ধান্ত নিতে কর্মের উপযোগিতা মূল্যায়ন করতে পারে।

আন্দোলন এবং নেভিগেশন

পূর্ববর্তী উদাহরণগুলিতে, আমাদের একটি প্ল্যাটফর্ম ছিল যা আমরা বাম বা ডানে সরেছি এবং একটি প্রহরী যে টহল বা আক্রমণ করেছিল। কিন্তু কিভাবে আমরা নির্দিষ্ট সময়ের মধ্যে এজেন্ট আন্দোলন পরিচালনা করব? আমরা কীভাবে গতি নির্ধারণ করব, কীভাবে আমরা বাধাগুলি এড়াতে পারি এবং কীভাবে আমরা একটি রুট পরিকল্পনা করব যখন একটি গন্তব্যে পৌঁছানো কেবল সরলরেখায় চলার চেয়ে বেশি কঠিন? চলুন এটি তাকান.

ব্যবস্থাপনা

প্রাথমিক পর্যায়ে, আমরা ধরে নেব যে প্রতিটি এজেন্টের একটি গতির মান রয়েছে, যার মধ্যে রয়েছে এটি কত দ্রুত এবং কোন দিকে যাচ্ছে। এটি প্রতি সেকেন্ডে মিটার, ঘন্টায় কিলোমিটার, পিক্সেল প্রতি সেকেন্ড ইত্যাদিতে পরিমাপ করা যেতে পারে। সেন্স/থিঙ্ক/অ্যাক্ট লুপটি স্মরণ করে, আমরা কল্পনা করতে পারি যে চিন্তা অংশটি একটি গতি নির্বাচন করে এবং আইন অংশটি সেই গতিকে এজেন্টের জন্য প্রয়োগ করে। সাধারণত গেমগুলির একটি পদার্থবিদ্যা সিস্টেম থাকে যা আপনার জন্য এই কাজটি করে, প্রতিটি বস্তুর গতির মান শিখে এবং এটি সামঞ্জস্য করে। অতএব, আপনি একটি কাজ দিয়ে AI ছেড়ে যেতে পারেন - এজেন্টের কী গতি থাকা উচিত তা নির্ধারণ করতে। যদি আপনি জানেন যে এজেন্টটি কোথায় থাকা উচিত, তবে আপনাকে এটিকে একটি নির্দিষ্ট গতিতে সঠিক দিকে নিয়ে যেতে হবে। একটি খুব তুচ্ছ সমীকরণ:

desired_travel = গন্তব্য_অবস্থান – এজেন্ট_অবস্থান

একটি 2D বিশ্বের কল্পনা করুন. এজেন্টটি বিন্দুতে (-2,-2), গন্তব্যটি উত্তর-পূর্বে কোথাও (30, 20), এবং এজেন্টের সেখানে পৌঁছানোর জন্য প্রয়োজনীয় পথটি রয়েছে (32, 22)৷ ধরা যাক এই অবস্থানগুলি মিটারে পরিমাপ করা হয় - যদি আমরা এজেন্টের গতি প্রতি সেকেন্ডে 5 মিটার ধরি, তবে আমরা আমাদের স্থানচ্যুতি ভেক্টরকে স্কেল করব এবং প্রায় (4.12, 2.83) গতি পাব। এই পরামিতিগুলির সাথে, এজেন্ট প্রায় 8 সেকেন্ডের মধ্যে তার গন্তব্যে পৌঁছাবে।

আপনি যে কোনো সময় মান পুনঃগণনা করতে পারেন। যদি এজেন্ট টার্গেটের অর্ধেক পথ থাকে, তবে আন্দোলনের দৈর্ঘ্য অর্ধেক হবে, কিন্তু যেহেতু এজেন্টের সর্বোচ্চ গতি 5 m/s (আমরা উপরে এটি সিদ্ধান্ত নিয়েছি), গতি একই হবে। এটি লক্ষ্যগুলিকে সরানোর জন্যও কাজ করে, এজেন্টকে তারা সরানোর সাথে সাথে ছোট পরিবর্তন করতে দেয়।

কিন্তু আমরা আরও বৈচিত্র্য চাই - উদাহরণস্বরূপ, দাঁড়ানো থেকে দৌড়াতে যাওয়া একটি চরিত্রকে অনুকরণ করতে ধীরে ধীরে গতি বাড়ান। থামার আগে শেষ পর্যন্ত একই কাজ করা যেতে পারে। এই বৈশিষ্ট্যগুলি স্টিয়ারিং আচরণ হিসাবে পরিচিত, যার প্রত্যেকটির নির্দিষ্ট নাম রয়েছে: সন্ধান, পলায়ন, আগমন, ইত্যাদি। ধারণাটি হল এজেন্টের গতিতে ত্বরণ শক্তি প্রয়োগ করা যেতে পারে, গন্তব্যের সাথে এজেন্টের অবস্থান এবং বর্তমান গতির তুলনা করার উপর ভিত্তি করে লক্ষ্যে যাওয়ার জন্য বিভিন্ন পদ্ধতি ব্যবহার করার জন্য।

প্রতিটি আচরণের একটি সামান্য ভিন্ন উদ্দেশ্য আছে। অনুসন্ধান এবং আগমন হল একটি এজেন্টকে একটি গন্তব্যে নিয়ে যাওয়ার উপায়। বাধা পরিহার এবং বিচ্ছেদ লক্ষ্যের পথে বাধা এড়াতে এজেন্টের গতিবিধি সামঞ্জস্য করে। সারিবদ্ধতা এবং সমন্বয় এজেন্টদের একসাথে চলতে থাকে। যেকোন সংখ্যক বিভিন্ন স্টিয়ারিং আচরণকে সমস্ত কারণ বিবেচনায় নিয়ে একটি একক পাথ ভেক্টর তৈরি করতে যোগ করা যেতে পারে। একটি এজেন্ট যে প্রাচীর এবং অন্যান্য এজেন্টদের থেকে দূরে থাকার জন্য আগমন, বিচ্ছেদ এবং বাধা এড়ানোর আচরণ ব্যবহার করে। এই পদ্ধতিটি অপ্রয়োজনীয় বিবরণ ছাড়াই খোলা জায়গায় ভাল কাজ করে।

আরও কঠিন পরিস্থিতিতে, বিভিন্ন আচরণের সংযোজন আরও খারাপ কাজ করে - উদাহরণস্বরূপ, আগমন এবং বাধা এড়ানোর মধ্যে দ্বন্দ্বের কারণে একজন এজেন্ট দেওয়ালে আটকে যেতে পারে। অতএব, আপনাকে কেবলমাত্র সমস্ত মান যোগ করার চেয়ে আরও জটিল বিকল্পগুলি বিবেচনা করতে হবে। উপায় হল: প্রতিটি আচরণের ফলাফল যোগ করার পরিবর্তে, আপনি বিভিন্ন দিক থেকে আন্দোলন বিবেচনা করতে পারেন এবং সেরা বিকল্পটি বেছে নিতে পারেন।

যাইহোক, একটি জটিল পরিবেশে যেখানে শেষ হয়েছে এবং কোন পথে যেতে হবে তার পছন্দ, আমাদের আরও উন্নত কিছুর প্রয়োজন হবে।

উপায় খোঁজা

স্টিয়ারিং আচরণগুলি খোলা জায়গায় (ফুটবলের মাঠ বা ক্ষেত্র) সাধারণ চলাচলের জন্য দুর্দান্ত যেখানে A থেকে B পর্যন্ত যাওয়া একটি সোজা পথ যেখানে বাধাগুলির চারপাশে ছোটখাটো পথ রয়েছে। জটিল রুটগুলির জন্য, আমাদের পাথফাইন্ডিং প্রয়োজন, যা বিশ্বকে অন্বেষণ করার এবং এর মাধ্যমে একটি রুট নির্ধারণ করার একটি উপায়।

সবচেয়ে সহজ হল এজেন্টের পাশের প্রতিটি বর্গক্ষেত্রে একটি গ্রিড প্রয়োগ করা এবং তাদের মধ্যে কোনটিকে সরানোর অনুমতি দেওয়া হয়েছে তা মূল্যায়ন করা। যদি তাদের মধ্যে একটি গন্তব্য হয়, তাহলে প্রতিটি স্কোয়ার থেকে পূর্ববর্তী একটি রুটটি অনুসরণ করুন যতক্ষণ না আপনি শুরুতে পৌঁছান। এই রুট. অন্যথায়, যতক্ষণ না আপনি আপনার গন্তব্য খুঁজে পান বা আপনার স্কোয়ার ফুরিয়ে না যায় (অর্থাৎ কোন সম্ভাব্য রুট নেই) ততক্ষণ কাছাকাছি অন্যান্য স্কোয়ারের সাথে প্রক্রিয়াটি পুনরাবৃত্তি করুন। এটিই আনুষ্ঠানিকভাবে ব্রেডথ-ফার্স্ট সার্চ বা বিএফএস (ব্রেডথ-ফার্স্ট সার্চ অ্যালগরিদম) নামে পরিচিত। প্রতিটি পদক্ষেপে তিনি সব দিকে তাকান (অতএব প্রস্থ, "প্রস্থ")। অনুসন্ধান স্থানটি একটি ওয়েভফ্রন্টের মতো যা পছন্দসই স্থানে না পৌঁছানো পর্যন্ত চলে - অনুসন্ধান স্থানটি প্রতিটি ধাপে প্রসারিত হয় যতক্ষণ না শেষ বিন্দুটি অন্তর্ভুক্ত করা হয়, তারপরে এটি শুরুতে ফিরে পাওয়া যায়।

ফলস্বরূপ, আপনি স্কোয়ারগুলির একটি তালিকা পাবেন যার সাথে পছন্দসই রুটটি সংকলিত হয়েছে। এটি হল পথ (অতএব, পাথফাইন্ডিং) - গন্তব্য অনুসরণ করার সময় এজেন্ট যে জায়গাগুলি পরিদর্শন করবে তার একটি তালিকা৷

প্রদত্ত যে আমরা বিশ্বের প্রতিটি বর্গক্ষেত্রের অবস্থান জানি, আমরা পথ ধরে চলার জন্য স্টিয়ারিং আচরণ ব্যবহার করতে পারি - নোড 1 থেকে নোড 2, তারপর নোড 2 থেকে নোড 3 এবং আরও অনেক কিছু। সবচেয়ে সহজ বিকল্পটি হল পরবর্তী বর্গক্ষেত্রের কেন্দ্রের দিকে যাওয়া, তবে আরও ভাল বিকল্প হল বর্তমান বর্গক্ষেত্র এবং পরবর্তী বর্গক্ষেত্রের মধ্যবর্তী প্রান্তের মাঝখানে থামানো। এই কারণে, এজেন্ট তীক্ষ্ণ বাঁক উপর কোণ কাটা করতে সক্ষম হবে.

BFS অ্যালগরিদমের অসুবিধাও রয়েছে - এটি "সঠিক" দিকের মতো "ভুল" দিক থেকে অনেকগুলি বর্গক্ষেত্র অনুসন্ধান করে৷ এখানেই A* (A star) নামক আরও জটিল অ্যালগরিদম কার্যকর হয়। এটি একইভাবে কাজ করে, কিন্তু প্রতিবেশী স্কোয়ারগুলিকে অন্ধভাবে পরীক্ষা করার পরিবর্তে (তারপর প্রতিবেশীর প্রতিবেশী, তারপরে প্রতিবেশীর প্রতিবেশীদের প্রতিবেশীর প্রতিবেশী এবং আরও অনেক কিছু), এটি নোডগুলিকে একটি তালিকায় সংগ্রহ করে এবং সেগুলিকে সাজায় যাতে পরের নোডটি সর্বদা পরীক্ষা করা হয়। একটি যা সংক্ষিপ্ততম রুটের দিকে নিয়ে যায়। নোডগুলি হিউরিস্টিকের উপর ভিত্তি করে সাজানো হয় যা দুটি জিনিসকে বিবেচনায় নেয় - কাঙ্ক্ষিত বর্গক্ষেত্রে একটি অনুমানমূলক রুটের "খরচ" (যেকোন ভ্রমণ খরচ সহ) এবং সেই স্কোয়ারটি গন্তব্য থেকে কতটা দূরে তার অনুমান (অনুসন্ধানে পক্ষপাতিত্ব করে ডান দিক).

এই উদাহরণটি দেখায় যে এজেন্ট একবারে একটি বর্গক্ষেত্র অন্বেষণ করে, প্রতিবার সংলগ্ন একটি বেছে নেয় যা সবচেয়ে প্রতিশ্রুতিশীল। ফলস্বরূপ পথটি BFS-এর মতোই, তবে প্রক্রিয়ায় কম স্কোয়ার বিবেচনা করা হয়েছিল - যা গেমের পারফরম্যান্সের উপর একটি বড় প্রভাব ফেলে।

একটি গ্রিড ছাড়া আন্দোলন

তবে বেশিরভাগ গেমগুলি গ্রিডে রাখা হয় না এবং বাস্তববাদকে ত্যাগ না করে এটি করা প্রায়শই অসম্ভব। সমঝোতা প্রয়োজন। বর্গক্ষেত্র কি আকার হওয়া উচিত? খুব বড় এবং তারা সঠিকভাবে ছোট করিডোর বা বাঁকগুলিকে উপস্থাপন করতে সক্ষম হবে না, খুব ছোট এবং অনুসন্ধান করার জন্য অনেকগুলি স্কোয়ার থাকবে, যা শেষ পর্যন্ত অনেক সময় নেবে৷

প্রথম জিনিসটি বুঝতে হবে যে একটি জাল আমাদের সংযুক্ত নোডগুলির একটি গ্রাফ দেয়। A* এবং BFS অ্যালগরিদমগুলি আসলে গ্রাফগুলিতে কাজ করে এবং আমাদের জালকে মোটেই পাত্তা দেয় না। আমরা গেমের জগতে যেকোন জায়গায় নোড রাখতে পারি: যতক্ষণ না যেকোন দুটি সংযুক্ত নোডের মধ্যে একটি সংযোগ থাকে, সেইসাথে শুরু এবং শেষ পয়েন্ট এবং অন্তত একটি নোডের মধ্যে, অ্যালগরিদম ঠিক আগের মতোই কাজ করবে। একে প্রায়ই একটি ওয়েপয়েন্ট সিস্টেম বলা হয়, যেহেতু প্রতিটি নোড বিশ্বের একটি উল্লেখযোগ্য অবস্থানের প্রতিনিধিত্ব করে যা যেকোন সংখ্যক অনুমানমূলক পথের অংশ হতে পারে।

উদাহরণ 1: প্রতিটি বর্গক্ষেত্রে একটি গিঁট। অনুসন্ধানটি নোড থেকে শুরু হয় যেখানে এজেন্টটি অবস্থিত এবং পছন্দসই বর্গক্ষেত্রের নোডে শেষ হয়।

উদাহরণ 2: নোডের একটি ছোট সেট (ওয়েপয়েন্ট)। অনুসন্ধান এজেন্টের স্কোয়ার থেকে শুরু হয়, প্রয়োজনীয় সংখ্যক নোডের মধ্য দিয়ে যায় এবং তারপর গন্তব্যে যেতে থাকে।

এটি একটি সম্পূর্ণ নমনীয় এবং শক্তিশালী সিস্টেম। কিন্তু কোথায় এবং কিভাবে একটি ওয়েপয়েন্ট স্থাপন করতে হবে তা সিদ্ধান্ত নেওয়ার জন্য কিছু যত্নের প্রয়োজন, অন্যথায় এজেন্টরা সম্ভবত নিকটতম পয়েন্টটি দেখতে পাবে না এবং পথ শুরু করতে সক্ষম হবে না। এটি সহজ হবে যদি আমরা বিশ্বের জ্যামিতির উপর ভিত্তি করে স্বয়ংক্রিয়ভাবে ওয়েপয়েন্ট স্থাপন করতে পারি।

এখানেই নেভিগেশন মেশ বা নবমেশ (নেভিগেশন মেশ) প্রদর্শিত হয়। এটি সাধারণত ত্রিভুজগুলির একটি 2D জাল যা বিশ্বের জ্যামিতির উপর আবৃত থাকে - যেখানেই এজেন্টকে হাঁটার অনুমতি দেওয়া হয়। জালের প্রতিটি ত্রিভুজ গ্রাফে একটি নোডে পরিণত হয় এবং তিনটি পর্যন্ত সন্নিহিত ত্রিভুজ থাকে যা গ্রাফের সন্নিহিত নোডে পরিণত হয়।

এই ছবিটি ইউনিটি ইঞ্জিন থেকে একটি উদাহরণ - এটি বিশ্বের জ্যামিতি বিশ্লেষণ করেছে এবং একটি নবমেশ তৈরি করেছে (হালকা নীল স্ক্রিনশটে)। একটি নবমেশের প্রতিটি বহুভুজ হল একটি এলাকা যেখানে একজন এজেন্ট দাঁড়াতে পারে বা এক বহুভুজ থেকে অন্য বহুভুজে যেতে পারে। এই উদাহরণে, বহুভুজগুলি যে মেঝেতে অবস্থিত তার চেয়ে ছোট - এটি এজেন্টের আকার বিবেচনা করার জন্য করা হয়, যা তার নামমাত্র অবস্থানের বাইরে প্রসারিত হবে।

আমরা আবার A* অ্যালগরিদম ব্যবহার করে এই জালের মাধ্যমে একটি রুট অনুসন্ধান করতে পারি। এটি আমাদের বিশ্বের একটি প্রায় নিখুঁত রুট দেবে, যা সমস্ত জ্যামিতি বিবেচনা করে এবং অপ্রয়োজনীয় নোড এবং ওয়েপয়েন্ট তৈরির প্রয়োজন হয় না।

পাথফাইন্ডিং খুব বিস্তৃত একটি বিষয় যার জন্য একটি নিবন্ধের একটি অংশ যথেষ্ট নয়। আপনি যদি এটি আরও বিশদে অধ্যয়ন করতে চান তবে এটি সাহায্য করবে অমিত প্যাটেল ওয়েবসাইট.

পরিকল্পনা

আমরা পাথফাইন্ডিং দিয়ে শিখেছি যে কখনও কখনও কেবল একটি দিক বেছে নেওয়া এবং সরানো যথেষ্ট নয় - আমাদের কাঙ্খিত গন্তব্যে পৌঁছানোর জন্য আমাদের একটি রুট বেছে নিতে হবে এবং কয়েকটি বাঁক নিতে হবে। আমরা এই ধারণাটিকে সাধারণীকরণ করতে পারি: একটি লক্ষ্য অর্জন কেবল পরবর্তী পদক্ষেপ নয়, তবে একটি সম্পূর্ণ ক্রম যেখানে কখনও কখনও প্রথমটি কী হওয়া উচিত তা খুঁজে বের করার জন্য আপনাকে বেশ কয়েকটি ধাপ এগিয়ে দেখতে হবে। একে বলে পরিকল্পনা। পাথফাইন্ডিংকে পরিকল্পনার বিভিন্ন এক্সটেনশনের একটি হিসাবে ভাবা যেতে পারে। আমাদের সংবেদন/চিন্তা/অ্যাক্ট চক্রের পরিপ্রেক্ষিতে, এখানেই চিন্তা অংশ ভবিষ্যতের জন্য একাধিক আইন অংশের পরিকল্পনা করে।

আসুন বোর্ড গেম ম্যাজিক: দ্য গ্যাদারিং এর উদাহরণটি দেখি। আমরা আমাদের হাতে নিম্নলিখিত কার্ডগুলির সেট নিয়ে প্রথমে যাই:

• জলাভূমি - 1 কালো মনা (জমি কার্ড) দেয়।
• বন- দেয় 1 সবুজ মানা (ল্যান্ড কার্ড)।
• পলাতক উইজার্ড - তলব করার জন্য 1টি নীল মানা প্রয়োজন৷
• এলভিশ মিস্টিক - তলব করার জন্য 1 সবুজ মানা প্রয়োজন।

আমরা এটি সহজ করতে বাকি তিনটি কার্ড উপেক্ষা. নিয়ম অনুসারে, একজন খেলোয়াড়কে প্রতি টার্নে 1টি ল্যান্ড কার্ড খেলার অনুমতি দেওয়া হয়, তিনি এই কার্ডটি থেকে মানা বের করতে "ট্যাপ" করতে পারেন এবং তারপরে মানা পরিমাণ অনুযায়ী বানান (একটি প্রাণীকে ডাকা সহ) কাস্ট করতে পারেন। এই পরিস্থিতিতে, মানব খেলোয়াড় ফরেস্ট খেলতে জানে, 1 সবুজ মানাকে ট্যাপ করতে এবং তারপরে এলভিশ মিস্টিককে ডেকে আনতে জানে। কিন্তু গেম এআই কীভাবে এটি বের করতে পারে?

সহজ পরিকল্পনা

তুচ্ছ পন্থা হল প্রতিটি ক্রিয়াকে পালাক্রমে চেষ্টা করা যতক্ষণ না কোনও উপযুক্ত কাজ বাকি না থাকে। কার্ডগুলি দেখে, এআই দেখতে পায় সোয়াম্প কী খেলতে পারে। এবং তিনি এটি খেলেন। এই পালা বাকি কোনো কর্ম আছে? এটি এলভিশ মিস্টিক বা পলাতক উইজার্ডকে ডেকে আনতে পারে না, কারণ তাদের তলব করার জন্য তাদের যথাক্রমে সবুজ এবং নীল মানা প্রয়োজন, যখন সোয়াম্প শুধুমাত্র কালো মানা প্রদান করে। এবং তিনি আর ফরেস্ট খেলতে পারবেন না, কারণ তিনি ইতিমধ্যে সোয়াম্প খেলেছেন। এইভাবে, গেম AI নিয়মগুলি অনুসরণ করেছিল, কিন্তু এটি খারাপভাবে করেছিল। উন্নত করা যায়।

পরিকল্পনা এমন ক্রিয়াগুলির একটি তালিকা খুঁজে পেতে পারে যা গেমটিকে পছন্দসই অবস্থায় নিয়ে আসে। পথের প্রতিটি বর্গক্ষেত্রে যেমন প্রতিবেশী ছিল (পাথফাইন্ডিংয়ে), তেমনি একটি পরিকল্পনার প্রতিটি কর্মেরও প্রতিবেশী বা উত্তরসূরি রয়েছে। আমরা এই ক্রিয়াগুলি এবং পরবর্তী ক্রিয়াগুলির সন্ধান করতে পারি যতক্ষণ না আমরা কাঙ্ক্ষিত অবস্থায় পৌঁছাই।

আমাদের উদাহরণে, পছন্দসই ফলাফল হল "সম্ভব হলে একটি প্রাণীকে ডেকে নিন।" মোড়ের শুরুতে, আমরা গেমের নিয়ম দ্বারা অনুমোদিত শুধুমাত্র দুটি সম্ভাব্য ক্রিয়া দেখতে পাচ্ছি:

1. সোয়াম্প খেলুন (ফলাফল: খেলায় সোয়াম্প)
2. বন খেলুন (ফলাফল: খেলায় বন)

গৃহীত প্রতিটি পদক্ষেপ খেলার নিয়মের উপর নির্ভর করে আবারও পরবর্তী পদক্ষেপের দিকে পরিচালিত করতে পারে এবং অন্যদের বন্ধ করতে পারে। কল্পনা করুন যে আমরা সোয়াম্প খেলেছি - এটি পরবর্তী পদক্ষেপ হিসাবে সোয়াম্পকে সরিয়ে দেবে (আমরা এটি ইতিমধ্যেই খেলেছি), এবং এটি বনকেও সরিয়ে দেবে (কারণ নিয়ম অনুসারে আপনি প্রতি টার্নে একটি ল্যান্ড কার্ড খেলতে পারেন)। এর পরে, AI পরবর্তী পদক্ষেপ হিসাবে 1 কালো মানা পাওয়ার যোগ করে কারণ অন্য কোনও বিকল্প নেই। যদি সে এগিয়ে যায় এবং ট্যাপ দ্য সোয়াম্প বেছে নেয়, তাহলে সে 1 ইউনিট কালো মানা পাবে এবং এর সাথে কিছু করতে পারবে না।

1. সোয়াম্প খেলুন (ফলাফল: খেলায় সোয়াম্প)
1.1 "ট্যাপ" জলাভূমি (ফলাফল: সোয়াম্প "ট্যাপড", কালো মানার +1 ইউনিট)
কোন কর্ম উপলব্ধ নেই - END
2. বন খেলুন (ফলাফল: খেলায় বন)

কর্মের তালিকা সংক্ষিপ্ত ছিল, আমরা একটি শেষ প্রান্তে পৌঁছেছি। আমরা পরবর্তী পদক্ষেপের জন্য প্রক্রিয়াটি পুনরাবৃত্তি করি। আমরা ফরেস্ট খেলি, "গেট 1 গ্রিন মানা" অ্যাকশনটি খুলি, যার ফলে তৃতীয় অ্যাকশনটি খুলবে - এলভিশ মিস্টিককে ডেকে নিন।

1. সোয়াম্প খেলুন (ফলাফল: খেলায় সোয়াম্প)
1.1 "ট্যাপ" জলাভূমি (ফলাফল: সোয়াম্প "ট্যাপড", কালো মানার +1 ইউনিট)
কোন কর্ম উপলব্ধ নেই - END
2. বন খেলুন (ফলাফল: খেলায় বন)
2.1 "ট্যাপ" বন (ফলাফল: বন "ট্যাপ করা হয়েছে", সবুজ মানার +1 ইউনিট)
2.1.1 Summon Elvish Mystic (ফলাফল: Elvish Mystic in play, -1 green mana)
কোন কর্ম উপলব্ধ নেই - END

অবশেষে, আমরা সমস্ত সম্ভাব্য ক্রিয়া অন্বেষণ করেছি এবং একটি পরিকল্পনা পেয়েছি যা একটি প্রাণীকে ডেকে আনে।

এটি একটি খুব সরলীকৃত উদাহরণ। কিছু মানদণ্ড পূরণ করে এমন কোনও পরিকল্পনার পরিবর্তে সম্ভাব্য সর্বোত্তম পরিকল্পনা বেছে নেওয়ার পরামর্শ দেওয়া হয়। ফলাফল বা তাদের বাস্তবায়নের সামগ্রিক সুবিধার উপর ভিত্তি করে সম্ভাব্য পরিকল্পনাগুলি মূল্যায়ন করা সাধারণত সম্ভব। আপনি একটি ল্যান্ড কার্ড খেলার জন্য 1 পয়েন্ট এবং একটি প্রাণীকে তলব করার জন্য 3 পয়েন্ট স্কোর করতে পারেন। জলাভূমি খেলা একটি 1 পয়েন্ট পরিকল্পনা হবে. এবং Forest → Tap the Forest → summon Elvish Mystic খেললে অবিলম্বে 4 পয়েন্ট দেবে।

ম্যাজিক: দ্য গ্যাদারিং-এ পরিকল্পনা এইভাবে কাজ করে, তবে একই যুক্তি অন্যান্য পরিস্থিতিতে প্রযোজ্য। উদাহরণস্বরূপ, দাবা খেলায় বিশপের জন্য জায়গা তৈরি করতে একটি প্যান সরানো। অথবা নিরাপদে XCOM-এ এইভাবে শুটিং করতে একটি প্রাচীরের পিছনে ঢেকে নিন। সাধারণভাবে, আপনি ধারণা পেতে.

উন্নত পরিকল্পনা

কখনও কখনও প্রতিটি সম্ভাব্য বিকল্প বিবেচনা করার জন্য অনেক সম্ভাব্য কর্ম আছে. ম্যাজিক সহ উদাহরণে ফিরে আসা: দ্য গ্যাদারিং: ধরা যাক যে গেমটিতে এবং আপনার হাতে বেশ কয়েকটি জমি এবং প্রাণীর কার্ড রয়েছে - পদক্ষেপগুলির সম্ভাব্য সংমিশ্রণের সংখ্যা কয়েক ডজন হতে পারে। সমস্যার বেশ কিছু সমাধান আছে।

প্রথম পদ্ধতি হল ব্যাকওয়ার্ড চেইনিং। সমস্ত সংমিশ্রণ চেষ্টা করার পরিবর্তে, চূড়ান্ত ফলাফল দিয়ে শুরু করা এবং সরাসরি পথ খুঁজে বের করার চেষ্টা করা ভাল। গাছের গোড়া থেকে নির্দিষ্ট পাতায় না গিয়ে আমরা উল্টো দিকে চলে যাই - পাতা থেকে মূলে। এই পদ্ধতি সহজ এবং দ্রুত।

শত্রুর 1টি স্বাস্থ্য থাকলে, আপনি "ডিল 1 বা তার বেশি ক্ষতি" পরিকল্পনা খুঁজে পেতে পারেন। এটি অর্জন করতে, বেশ কয়েকটি শর্ত পূরণ করতে হবে:

1. বানান দ্বারা ক্ষতি হতে পারে - এটি অবশ্যই হাতে থাকতে হবে।
2. একটি বানান কাস্ট করার জন্য, আপনার মানা প্রয়োজন।
3. মানা পেতে, আপনাকে একটি ল্যান্ড কার্ড খেলতে হবে।
4. একটি ল্যান্ড কার্ড খেলতে, আপনার এটি আপনার হাতে থাকা দরকার।

আরেকটি উপায় হল সেরা-প্রথম অনুসন্ধান। সমস্ত পথ চেষ্টা করার পরিবর্তে, আমরা সবচেয়ে উপযুক্ত একটি বেছে নিই। প্রায়শই, এই পদ্ধতিটি অপ্রয়োজনীয় অনুসন্ধান খরচ ছাড়াই সর্বোত্তম পরিকল্পনা দেয়। A* হল সর্বোত্তম প্রথম অনুসন্ধানের একটি ফর্ম - শুরু থেকে সবচেয়ে প্রতিশ্রুতিশীল রুটগুলি পরীক্ষা করে, এটি ইতিমধ্যেই অন্যান্য বিকল্পগুলি পরীক্ষা না করেই সেরা পথ খুঁজে পেতে পারে৷

একটি আকর্ষণীয় এবং ক্রমবর্ধমান জনপ্রিয় সেরা-প্রথম অনুসন্ধান বিকল্প হল মন্টে কার্লো ট্রি অনুসন্ধান৷ প্রতিটি পরবর্তী ক্রিয়া বাছাই করার সময় কোন পরিকল্পনাগুলি অন্যদের থেকে ভাল তা অনুমান করার পরিবর্তে, অ্যালগরিদম প্রতিটি ধাপে র্যান্ডম উত্তরসূরি বেছে নেয় যতক্ষণ না এটি শেষ পর্যন্ত পৌঁছায় (যখন পরিকল্পনাটি জয় বা পরাজয়ের ফলে)। চূড়ান্ত ফলাফলটি পূর্ববর্তী বিকল্পগুলির ওজন বৃদ্ধি বা হ্রাস করতে ব্যবহৃত হয়। এই প্রক্রিয়াটি পরপর কয়েকবার পুনরাবৃত্তি করার মাধ্যমে, অ্যালগরিদম একটি ভাল অনুমান দেয় যে পরবর্তী সেরা পদক্ষেপটি কী হবে, এমনকি পরিস্থিতি পরিবর্তন হলেও (যদি শত্রু খেলোয়াড়ের সাথে হস্তক্ষেপ করার জন্য পদক্ষেপ নেয়)।

গোল-ভিত্তিক অ্যাকশন প্ল্যানিং বা GOAP (লক্ষ্য-ভিত্তিক অ্যাকশন প্ল্যানিং) ছাড়া গেমগুলির পরিকল্পনা সম্পর্কে কোনও গল্প সম্পূর্ণ হবে না। এটি একটি বহুল ব্যবহৃত এবং আলোচিত পদ্ধতি, তবে কয়েকটি স্বতন্ত্র বিবরণ ছাড়া, এটি মূলত পিছনের চেইনিং পদ্ধতি যা আমরা আগে বলেছি। যদি উদ্দেশ্য ছিল "প্লেয়ারকে ধ্বংস করা" এবং প্লেয়ারটি কভারের পিছনে থাকে, তাহলে পরিকল্পনাটি হতে পারে: একটি গ্রেনেড দিয়ে ধ্বংস করুন → এটিকে নিক্ষেপ করুন৷

সাধারণত বেশ কয়েকটি লক্ষ্য থাকে, প্রতিটির নিজস্ব অগ্রাধিকার থাকে। যদি সর্বোচ্চ অগ্রাধিকারের উদ্দেশ্যটি সম্পূর্ণ করা না যায় (কোনও ক্রিয়াকলাপের সংমিশ্রণ একটি "প্লেয়ারকে হত্যা করার" পরিকল্পনা তৈরি করে না কারণ প্লেয়ারটি দৃশ্যমান নয়), AI নিম্ন অগ্রাধিকারের উদ্দেশ্যগুলিতে ফিরে আসবে।

প্রশিক্ষণ এবং অভিযোজন

আমরা আগেই বলেছি যে গেম এআই সাধারণত মেশিন লার্নিং ব্যবহার করে না কারণ এটি রিয়েল টাইমে এজেন্টদের পরিচালনার জন্য উপযুক্ত নয়। কিন্তু এর মানে এই নয় যে আপনি এই এলাকা থেকে কিছু ধার করতে পারবেন না। আমরা একজন শুটারে প্রতিপক্ষ চাই যার কাছ থেকে আমরা কিছু শিখতে পারি। উদাহরণস্বরূপ, মানচিত্রে সেরা অবস্থানগুলি সম্পর্কে সন্ধান করুন। অথবা একটি ফাইটিং গেমের একজন প্রতিপক্ষ যে খেলোয়াড়ের ঘন ঘন ব্যবহৃত কম্বো চালগুলিকে ব্লক করবে, তাকে অন্যদের ব্যবহার করতে অনুপ্রাণিত করবে। তাই এই ধরনের পরিস্থিতিতে মেশিন লার্নিং বেশ কার্যকর হতে পারে।

পরিসংখ্যান এবং সম্ভাব্যতা

আমরা জটিল উদাহরণে নামার আগে, দেখা যাক কিছু সাধারণ পরিমাপ গ্রহণ করে এবং সিদ্ধান্ত নেওয়ার জন্য সেগুলি ব্যবহার করে আমরা কতদূর যেতে পারি। উদাহরণস্বরূপ, রিয়েল-টাইম কৌশল - আমরা কীভাবে নির্ধারণ করব যে কোনও খেলোয়াড় গেমের প্রথম কয়েক মিনিটে আক্রমণ শুরু করতে পারে এবং এর বিরুদ্ধে কী প্রতিরক্ষা প্রস্তুত করতে হবে? ভবিষ্যতের প্রতিক্রিয়া কী হতে পারে তা বোঝার জন্য আমরা একজন খেলোয়াড়ের অতীত অভিজ্ঞতা অধ্যয়ন করতে পারি। শুরুতে, আমাদের কাছে এমন কাঁচা ডেটা নেই, তবে আমরা এটি সংগ্রহ করতে পারি - প্রতিবার AI মানুষের বিরুদ্ধে খেলে, এটি প্রথম আক্রমণের সময় রেকর্ড করতে পারে। কয়েক সেশনের পর, আমরা ভবিষ্যতে খেলোয়াড়ের আক্রমণের জন্য কতটা সময় লাগবে তার গড় পাব।

গড় মানগুলির সাথেও একটি সমস্যা রয়েছে: যদি একজন খেলোয়াড় 20 বার ছুটে যান এবং 20 বার ধীরে ধীরে খেলেন, তবে প্রয়োজনীয় মানগুলি মাঝখানে কোথাও থাকবে এবং এটি আমাদের দরকারী কিছু দেবে না। একটি সমাধান হল ইনপুট ডেটা সীমিত করা - শেষ 20 টুকরা অ্যাকাউন্টে নেওয়া যেতে পারে।

খেলোয়াড়ের অতীত পছন্দগুলি ভবিষ্যতে একই হবে বলে ধরে নিয়ে নির্দিষ্ট ক্রিয়াকলাপের সম্ভাবনা অনুমান করার সময় একই পদ্ধতি ব্যবহার করা হয়। একজন খেলোয়াড় যদি আমাদের পাঁচবার ফায়ারবল দিয়ে আক্রমণ করে, দুইবার বজ্রপাত দিয়ে এবং একবার হাতাহাতি করে, তাহলে এটা স্পষ্ট যে সে ফায়ারবলকে পছন্দ করে। আসুন এক্সট্রাপোলেট করি এবং বিভিন্ন অস্ত্র ব্যবহারের সম্ভাবনা দেখি: ফায়ারবল=62,5%, লাইটনিং=25% এবং হাতাহাতি=12,5%। আমাদের গেম এআইকে নিজেকে আগুন থেকে রক্ষা করার জন্য প্রস্তুত করতে হবে।

আরেকটি আকর্ষণীয় পদ্ধতি হল বিপুল পরিমাণ ইনপুট ডেটা অধ্যয়ন করতে এবং পরিস্থিতি শ্রেণীবদ্ধ করার জন্য Naive Bayes Classifier ব্যবহার করা যাতে AI পছন্দসই উপায়ে প্রতিক্রিয়া দেখায়। Bayesian ক্লাসিফায়ার ইমেল স্প্যাম ফিল্টার ব্যবহারের জন্য সবচেয়ে বেশি পরিচিত। সেখানে তারা শব্দগুলি পরীক্ষা করে, সেগুলি তুলনা করে যেখানে এই শব্দগুলি আগে উপস্থিত হয়েছে (স্প্যামে বা না) এবং আগত ইমেলগুলি সম্পর্কে সিদ্ধান্তে আঁকেন৷ আমরা কম ইনপুট দিয়েও একই জিনিস করতে পারি। AI দেখেন এমন সমস্ত দরকারী তথ্যের উপর ভিত্তি করে (যেমন কোন শত্রু ইউনিটগুলি তৈরি করা হয়েছে, বা তারা কী বানান ব্যবহার করেছে, বা তারা কী প্রযুক্তি নিয়ে গবেষণা করেছে), এবং চূড়ান্ত ফলাফল (যুদ্ধ বা শান্তি, ভিড় বা প্রতিরক্ষা ইত্যাদি) - আমরা পছন্দসই AI আচরণ বেছে নেব।

এই সমস্ত প্রশিক্ষণ পদ্ধতি যথেষ্ট, তবে পরীক্ষার ডেটার উপর ভিত্তি করে এগুলি ব্যবহার করার পরামর্শ দেওয়া হয়। AI আপনার প্লেটেস্টারদের ব্যবহার করা বিভিন্ন কৌশলের সাথে মানিয়ে নিতে শিখবে। মুক্তির পরে প্লেয়ারের সাথে মানিয়ে নেওয়া AI খুব অনুমানযোগ্য বা হারানো খুব কঠিন হতে পারে।

মান ভিত্তিক অভিযোজন

আমাদের গেম ওয়ার্ল্ডের বিষয়বস্তু এবং নিয়মের পরিপ্রেক্ষিতে, আমরা কেবল ইনপুট ডেটা ব্যবহার না করে সিদ্ধান্ত গ্রহণকে প্রভাবিত করে এমন মানগুলির সেট পরিবর্তন করতে পারি। আমরা এটি করি:

• AI-কে গেম চলাকালীন বিশ্বের অবস্থা এবং মূল ইভেন্টগুলির ডেটা সংগ্রহ করতে দিন (উপরের মতো)।
• আসুন এই ডেটার উপর ভিত্তি করে কয়েকটি গুরুত্বপূর্ণ মান পরিবর্তন করি।
• আমরা এই মানগুলি প্রক্রিয়াকরণ বা মূল্যায়নের উপর ভিত্তি করে আমাদের সিদ্ধান্তগুলি বাস্তবায়ন করি।

উদাহরণস্বরূপ, একজন এজেন্টের কাছে প্রথম-ব্যক্তি শ্যুটার ম্যাপে বেছে নেওয়ার জন্য বেশ কয়েকটি কক্ষ রয়েছে। প্রতিটি কক্ষের নিজস্ব মূল্য রয়েছে, যা নির্ধারণ করে যে এটি পরিদর্শন করা কতটা পছন্দসই। AI এলোমেলোভাবে মানের উপর ভিত্তি করে কোন ঘরে যেতে হবে তা বেছে নেয়। এজেন্ট তখন মনে রাখে যে তাকে কোন ঘরে হত্যা করা হয়েছিল এবং এর মূল্য হ্রাস করে (সে সেখানে ফিরে আসার সম্ভাবনা)। একইভাবে বিপরীত পরিস্থিতির জন্য - যদি এজেন্ট অনেক প্রতিপক্ষকে ধ্বংস করে, তবে ঘরের মান বৃদ্ধি পায়।

মার্কভ মডেল

আমরা যদি ভবিষ্যদ্বাণী করতে সংগৃহীত ডেটা ব্যবহার করি তাহলে কী হবে? যদি আমরা একটি নির্দিষ্ট সময়ের জন্য একজন খেলোয়াড়কে দেখেছি এমন প্রতিটি রুমে মনে রাখলে, আমরা ভবিষ্যদ্বাণী করব যে খেলোয়াড়টি কোন রুমে যেতে পারে। রুম জুড়ে প্লেয়ারের গতিবিধি (মান) ট্র্যাকিং এবং রেকর্ড করে আমরা তাদের ভবিষ্যদ্বাণী করতে পারি।

এর তিনটি ঘর নেওয়া যাক: লাল, সবুজ এবং নীল। এবং খেলার অধিবেশন দেখার সময় আমরা যে পর্যবেক্ষণগুলি রেকর্ড করেছি:

প্রতিটি ঘরে পর্যবেক্ষণের সংখ্যা প্রায় সমান - আমরা এখনও জানি না কোথায় একটি অ্যামবুশের জন্য একটি ভাল জায়গা তৈরি করতে হবে। পরিসংখ্যান সংগ্রহ করা খেলোয়াড়দের পুনরুত্থান দ্বারাও জটিল, যারা সমগ্র মানচিত্র জুড়ে সমানভাবে উপস্থিত হয়। কিন্তু ম্যাপে উপস্থিত হওয়ার পর তারা যে ঘরে প্রবেশ করে সে সম্পর্কে ডেটা ইতিমধ্যেই দরকারী।

এটা দেখা যায় যে গ্রিন রুম খেলোয়াড়দের জন্য উপযুক্ত - বেশিরভাগ লোক লাল রুম থেকে এটিতে চলে যায়, যাদের মধ্যে 50% আরও সেখানে থাকে। বিপরীতে, নীল ঘরটি জনপ্রিয় নয়; প্রায় কেউই এতে যায় না, এবং যদি তারা করে তবে তারা বেশিক্ষণ থাকে না।

কিন্তু ডেটা আমাদের আরও গুরুত্বপূর্ণ কিছু বলে - যখন একজন খেলোয়াড় একটি নীল ঘরে থাকে, তখন আমরা তাকে যে ঘরে দেখব সেটি লাল হবে, সবুজ নয়। লাল ঘরের চেয়ে গ্রিন রুম বেশি জনপ্রিয় হলেও খেলোয়াড় নীল ঘরে থাকলে পরিস্থিতি বদলে যায়। পরবর্তী অবস্থা (অর্থাৎ খেলোয়াড় যে রুমে যাবে) পূর্ববর্তী অবস্থার উপর নির্ভর করে (অর্থাৎ খেলোয়াড় বর্তমানে যে রুমে আছে)। যেহেতু আমরা নির্ভরতা অন্বেষণ করি, তাই আমরা যদি স্বাধীনভাবে পর্যবেক্ষণ গণনা করি তার চেয়ে আমরা আরও সঠিক ভবিষ্যদ্বাণী করব।

অতীত অবস্থা থেকে তথ্যের উপর ভিত্তি করে ভবিষ্যত অবস্থার ভবিষ্যদ্বাণী করাকে মার্কভ মডেল বলা হয় এবং এই ধরনের উদাহরণগুলিকে (রুম সহ) মার্কভ চেইন বলা হয়। যেহেতু নিদর্শনগুলি ধারাবাহিক অবস্থার মধ্যে পরিবর্তনের সম্ভাবনাকে প্রতিনিধিত্ব করে, তাই প্রতিটি পরিবর্তনের চারপাশে সম্ভাব্যতার সাথে এগুলি দৃশ্যত FSM হিসাবে প্রদর্শিত হয়। পূর্বে, আমরা একটি এজেন্ট যে আচরণগত অবস্থার প্রতিনিধিত্ব করতে এফএসএম ব্যবহার করতাম, তবে এই ধারণাটি যে কোনও রাজ্যে প্রসারিত, তা এজেন্টের সাথে যুক্ত হোক বা না হোক। এই ক্ষেত্রে, রাজ্যগুলি প্রতিনিধিত্ব করে যে কক্ষটি এজেন্ট দখল করে:

এটি রাষ্ট্রীয় পরিবর্তনের আপেক্ষিক সম্ভাবনার প্রতিনিধিত্ব করার একটি সহজ উপায়, যা এআইকে পরবর্তী অবস্থার পূর্বাভাস দেওয়ার কিছু ক্ষমতা দেয়। আপনি বেশ কয়েকটি ধাপ এগিয়ে অনুমান করতে পারেন।

যদি একজন খেলোয়াড় গ্রিনরুমে থাকে, তাহলে পরের বার যখন তাকে পর্যবেক্ষণ করা হয় তখন 50% সম্ভাবনা থাকে যে সে সেখানে থাকবে। কিন্তু তার পরেও তার থাকার সম্ভাবনা কতটুকু? খেলোয়াড় দুটি পর্যবেক্ষণের পরে গ্রিনরুমে থাকার সুযোগটিই নয়, তবে সে চলে যাওয়ার এবং ফিরে আসারও একটি সুযোগ রয়েছে। এখানে নতুন ডেটা বিবেচনায় নেওয়া নতুন টেবিলটি রয়েছে:

এটি দেখায় যে দুটি পর্যবেক্ষণের পরে খেলোয়াড়কে গ্রিন রুমে দেখার সম্ভাবনা 51% - 21% এর সমান হবে যে সে লাল ঘর থেকে আসবে, তাদের মধ্যে 5% যে খেলোয়াড় তাদের মধ্যবর্তী নীল ঘরে যাবে এবং 25% যে প্লেয়ার গ্রিনরুম ছেড়ে যাবে না।

টেবিলটি কেবল একটি ভিজ্যুয়াল টুল - পদ্ধতির জন্য শুধুমাত্র প্রতিটি ধাপে সম্ভাব্যতাকে গুণ করা প্রয়োজন। এর মানে হল আপনি একটি সতর্কতার সাথে ভবিষ্যতের দিকে তাকাতে পারেন: আমরা অনুমান করি যে একটি রুমে প্রবেশের সুযোগ সম্পূর্ণরূপে বর্তমান রুমের উপর নির্ভর করে। একে মার্কভ প্রপার্টি বলা হয় - ভবিষ্যৎ রাষ্ট্র শুধুমাত্র বর্তমানের উপর নির্ভর করে। কিন্তু এটি XNUMX% সঠিক নয়। খেলোয়াড়রা অন্যান্য কারণের উপর নির্ভর করে সিদ্ধান্ত পরিবর্তন করতে পারে: স্বাস্থ্যের স্তর বা গোলাবারুদের পরিমাণ। যেহেতু আমরা এই মানগুলি রেকর্ড করি না, আমাদের পূর্বাভাস কম সঠিক হবে।

এন-গ্রাম

একটি ফাইটিং গেমের উদাহরণ এবং প্লেয়ারের কম্বো চালগুলির পূর্বাভাস দেওয়ার বিষয়ে কী বলা যায়? একই! কিন্তু একটি রাজ্য বা ইভেন্টের পরিবর্তে, আমরা একটি কম্বো স্ট্রাইক তৈরি করে এমন সমগ্র ক্রমগুলি পরীক্ষা করব৷

এটি করার একটি উপায় হল প্রতিটি ইনপুট (যেমন কিক, পাঞ্চ বা ব্লক) একটি বাফারে সংরক্ষণ করা এবং পুরো বাফারটিকে একটি ইভেন্ট হিসাবে লেখা। তাই সুপারডেথফিস্ট আক্রমণ ব্যবহার করতে প্লেয়ার বারবার কিক, কিক, পাঞ্চ চাপে, এআই সিস্টেম একটি বাফারে সমস্ত ইনপুট সঞ্চয় করে এবং প্রতিটি ধাপে ব্যবহৃত শেষ তিনটি মনে রাখে।

(খেলোয়াড় যখন সুপারডেথফিস্ট আক্রমণ শুরু করে তখন বোল্ড লাইনগুলি হয়৷)

প্লেয়ার যখন কিক নির্বাচন করবে তখন AI সমস্ত বিকল্প দেখতে পাবে, তারপরে আরেকটি কিক নির্বাচন করবে এবং তারপর লক্ষ্য করবে যে পরবর্তী ইনপুটটি সর্বদা Punch হয়। এটি এজেন্টকে SuperDeathFist এর কম্বো মুভের পূর্বাভাস দিতে এবং সম্ভব হলে এটি ব্লক করার অনুমতি দেবে।

ঘটনাগুলির এই ক্রমগুলিকে N-গ্রাম বলা হয়, যেখানে N হল উপাদানগুলির সংখ্যা। আগের উদাহরণে এটি ছিল একটি 3-গ্রাম (ট্রিগ্রাম), যার অর্থ: প্রথম দুটি এন্ট্রি তৃতীয়টির পূর্বাভাস দিতে ব্যবহৃত হয়। তদনুসারে, একটি 5-গ্রামে, প্রথম চারটি এন্ট্রি পঞ্চম এবং তাই ভবিষ্যদ্বাণী করে।

ডিজাইনারকে সাবধানে এন-গ্রামের আকার নির্বাচন করতে হবে। একটি ছোট N এর জন্য কম মেমরির প্রয়োজন হয় কিন্তু কম ইতিহাস সঞ্চয় করে। উদাহরণস্বরূপ, একটি 2-গ্রাম (বিগ্রাম) কিক, কিক বা কিক, পাঞ্চ রেকর্ড করবে, কিন্তু কিক, কিক, পাঞ্চ সংরক্ষণ করতে সক্ষম হবে না, তাই AI সুপারডেথফিস্ট কম্বোতে সাড়া দেবে না।

অন্যদিকে, বড় সংখ্যার জন্য আরও মেমরির প্রয়োজন হয় এবং AI প্রশিক্ষণ দেওয়া আরও কঠিন হবে কারণ আরও অনেক সম্ভাব্য বিকল্প থাকবে। যদি আপনার কাছে কিক, পাঞ্চ বা ব্লকের তিনটি সম্ভাব্য ইনপুট থাকে এবং আমরা একটি 10-গ্রাম ব্যবহার করি, তাহলে এটি প্রায় 60 হাজার ভিন্ন বিকল্প হবে।

বিগ্রাম মডেলটি হল একটি সাধারণ মার্কভ চেইন - প্রতিটি অতীতের রাজ্য/বর্তমান রাজ্য জোড়া একটি বিগগ্রাম, এবং আপনি প্রথমটির উপর ভিত্তি করে দ্বিতীয় অবস্থার ভবিষ্যদ্বাণী করতে পারেন। 3-গ্রাম এবং বৃহত্তর এন-গ্রামগুলিকে মার্কভ চেইন হিসাবেও ভাবা যেতে পারে, যেখানে সমস্ত উপাদান (এন-গ্রামের শেষটি বাদে) একসাথে প্রথম অবস্থা এবং শেষ উপাদানটি দ্বিতীয়টি গঠন করে। ফাইটিং গেমের উদাহরণটি কিক অ্যান্ড কিক স্টেট থেকে কিক অ্যান্ড পাঞ্চ স্টেটে পরিবর্তনের সুযোগ দেখায়। একাধিক ইনপুট ইতিহাস এন্ট্রিকে একক ইউনিট হিসাবে বিবেচনা করে, আমরা মূলত ইনপুট ক্রমটিকে সমগ্র রাজ্যের অংশে রূপান্তরিত করছি। এটি আমাদের মার্কভ প্রপার্টি দেয়, যা আমাদের পরবর্তী ইনপুট ভবিষ্যদ্বাণী করতে এবং পরবর্তীতে কি কম্বো মুভ হবে অনুমান করতে মার্কভ চেইন ব্যবহার করতে দেয়।

উপসংহার

আমরা কৃত্রিম বুদ্ধিমত্তার বিকাশে সবচেয়ে সাধারণ সরঞ্জাম এবং পদ্ধতির কথা বলেছি। আমরা কোন পরিস্থিতিতে তাদের ব্যবহার করা প্রয়োজন এবং যেখানে তারা বিশেষভাবে দরকারী তাও দেখেছি।

গেম এআই এর মূল বিষয়গুলি বোঝার জন্য এটি যথেষ্ট হওয়া উচিত। কিন্তু, অবশ্যই, এই সব পদ্ধতি নয়। কম জনপ্রিয়, কিন্তু কম কার্যকর নয়:

• পাহাড়ে আরোহণ, গ্রেডিয়েন্ট ডিসেন্ট এবং জেনেটিক অ্যালগরিদম সহ অপ্টিমাইজেশান অ্যালগরিদম
• প্রতিপক্ষের অনুসন্ধান/শিডিউলিং অ্যালগরিদম (মিনিম্যাক্স এবং আলফা-বিটা ছাঁটাই)
• শ্রেণিবিন্যাস পদ্ধতি (পারসেপ্টরন, নিউরাল নেটওয়ার্ক এবং সমর্থন ভেক্টর মেশিন)
• প্রক্রিয়াকরণ এজেন্টদের উপলব্ধি এবং মেমরির জন্য সিস্টেম
• AI এর স্থাপত্য পদ্ধতি (হাইব্রিড সিস্টেম, উপসেট আর্কিটেকচার এবং এআই সিস্টেমগুলিকে ওভারলে করার অন্যান্য উপায়)
• অ্যানিমেশন সরঞ্জাম (পরিকল্পনা এবং গতি সমন্বয়)
• পারফরম্যান্স ফ্যাক্টর (বিস্তারিত স্তর, যেকোনো সময়, এবং টাইমলাইসিং অ্যালগরিদম)

বিষয়ে ইন্টারনেট সংস্থান:

1. GameDev.net আছে AI এর উপর নিবন্ধ এবং টিউটোরিয়াল সহ বিভাগএবং ফোরাম.
2. AiGameDev.com গেম এআই ডেভেলপমেন্ট সম্পর্কিত বিস্তৃত বিষয়ের উপর অনেক উপস্থাপনা এবং নিবন্ধ রয়েছে।
3. জিডিসি ভল্ট জিডিসি এআই সামিটের বিষয়গুলি অন্তর্ভুক্ত করে, যার মধ্যে অনেকগুলি বিনামূল্যে পাওয়া যায়৷
4. দরকারী উপকরণ এছাড়াও ওয়েবসাইটে পাওয়া যাবে এআই গেম প্রোগ্রামার গিল্ড.
5. টমি থম্পসন, এআই গবেষক এবং গেম ডেভেলপার, ইউটিউবে ভিডিও তৈরি করেন এআই এবং গেমস বাণিজ্যিক গেমে AI এর ব্যাখ্যা এবং অধ্যয়ন সহ।

বিষয়ের উপর বই:

1. গেম এআই প্রো বইয়ের সিরিজ হল সংক্ষিপ্ত নিবন্ধগুলির একটি সংগ্রহ যা ব্যাখ্যা করে যে কীভাবে নির্দিষ্ট বৈশিষ্ট্যগুলি বাস্তবায়ন করা যায় বা কীভাবে নির্দিষ্ট সমস্যাগুলি সমাধান করা যায়।

গেম এআই প্রো: গেম এআই পেশাদারদের সংগৃহীত জ্ঞান
গেম এআই প্রো 2: গেম এআই পেশাদারদের সংগৃহীত জ্ঞান
গেম এআই প্রো 3: গেম এআই পেশাদারদের সংগৃহীত জ্ঞান

2. এআই গেম প্রোগ্রামিং উইজডম সিরিজটি গেম এআই প্রো সিরিজের পূর্বসূরি। এটিতে পুরানো পদ্ধতি রয়েছে, তবে প্রায় সবই আজও প্রাসঙ্গিক।

এআই গেম প্রোগ্রামিং উইজডম 1
এআই গেম প্রোগ্রামিং উইজডম 2
এআই গেম প্রোগ্রামিং উইজডম 3
এআই গেম প্রোগ্রামিং উইজডম 4

3. কৃত্রিম বুদ্ধিমত্তা: একটি আধুনিক পদ্ধতি কৃত্রিম বুদ্ধিমত্তার সাধারণ ক্ষেত্র বুঝতে চায় এমন প্রত্যেকের জন্য মৌলিক পাঠ্যগুলির মধ্যে একটি। এটি গেম ডেভেলপমেন্ট সম্পর্কে একটি বই নয় - এটি AI এর মূল বিষয়গুলি শেখায়৷

উত্স: www.habr.com