ગેમિંગ AI કેવી રીતે બનાવવું: નવા નિશાળીયા માટે માર્ગદર્શિકા

મને રમતોમાં કૃત્રિમ બુદ્ધિ વિશે કેટલીક રસપ્રદ સામગ્રી મળી. સરળ ઉદાહરણોનો ઉપયોગ કરીને AI વિશેની મૂળભૂત બાબતોની સમજૂતી સાથે, અને તેની અંદર તેના અનુકૂળ વિકાસ અને ડિઝાઇન માટે ઘણા ઉપયોગી સાધનો અને પદ્ધતિઓ છે. તેનો ઉપયોગ કેવી રીતે, ક્યાં અને ક્યારે કરવો તે પણ છે.

મોટાભાગના ઉદાહરણો સ્યુડોકોડમાં લખાયેલા છે, તેથી કોઈ અદ્યતન પ્રોગ્રામિંગ જ્ઞાનની જરૂર નથી. કટ હેઠળ ચિત્રો અને gif સાથે ટેક્સ્ટની 35 શીટ્સ છે, તેથી તૈયાર થઈ જાઓ.

યુપીડી. હું માફી માંગુ છું, પરંતુ મેં હેબ્રે પર આ લેખનો મારો પોતાનો અનુવાદ પહેલેથી જ કરી લીધો છે પેશન્ટઝીરો. તમે તેનું સંસ્કરણ વાંચી શકો છો અહીં, પરંતુ કેટલાક કારણોસર લેખ મારા દ્વારા પસાર થયો (મેં શોધનો ઉપયોગ કર્યો, પરંતુ કંઈક ખોટું થયું). અને હું ગેમ ડેવલપમેન્ટને સમર્પિત બ્લોગ પર લખી રહ્યો હોવાથી, મેં સબ્સ્ક્રાઇબર્સ માટે અનુવાદનું મારું સંસ્કરણ છોડવાનું નક્કી કર્યું (કેટલાક મુદ્દાઓ અલગ રીતે ફોર્મેટ કરવામાં આવ્યા છે, કેટલાક વિકાસકર્તાઓની સલાહ પર જાણી જોઈને અવગણવામાં આવ્યા હતા).

AI શું છે?

ગેમ AI તેના પર ધ્યાન કેન્દ્રિત કરે છે કે ઑબ્જેક્ટ કઈ પરિસ્થિતિઓમાં સ્થિત છે તેના આધારે કઈ ક્રિયાઓ કરવી જોઈએ. આને સામાન્ય રીતે "બુદ્ધિશાળી એજન્ટ" મેનેજમેન્ટ તરીકે ઓળખવામાં આવે છે, જ્યાં એજન્ટ એ ખેલાડીનું પાત્ર, વાહન, બોટ અથવા ક્યારેક કંઈક વધુ અમૂર્ત હોય છે: એન્ટિટીનું સંપૂર્ણ જૂથ અથવા તો એક સભ્યતા. દરેક કિસ્સામાં, તે એક એવી વસ્તુ છે જેણે તેના વાતાવરણને જોવું જોઈએ, તેના આધારે નિર્ણયો લેવા જોઈએ અને તેના અનુસાર કાર્ય કરવું જોઈએ. આને સંવેદના/વિચાર/અધિનિયમ ચક્ર કહેવામાં આવે છે:

• સંવેદના: એજન્ટ તેના વાતાવરણમાં એવી વસ્તુઓ વિશે માહિતી મેળવે છે કે જે તેના વર્તનને પ્રભાવિત કરી શકે છે (નજીકની ધમકીઓ, એકત્રિત કરવા માટેની વસ્તુઓ, અન્વેષણ કરવા માટે રસપ્રદ સ્થાનો).
• વિચારો: એજન્ટ કેવી રીતે પ્રતિક્રિયા આપવી તે નક્કી કરે છે (વસ્તુઓ એકત્રિત કરવા માટે તે પર્યાપ્ત સલામત છે કે કેમ કે તેણે પહેલા લડવું/છુપવું જોઈએ તે ધ્યાનમાં લે છે).
• અધિનિયમ: એજન્ટ અગાઉના નિર્ણયને અમલમાં મૂકવા માટે ક્રિયાઓ કરે છે (શત્રુ અથવા વસ્તુ તરફ આગળ વધવાનું શરૂ કરે છે).
• ...હવે પાત્રોની ક્રિયાઓને કારણે પરિસ્થિતિ બદલાઈ ગઈ છે, તેથી ચક્ર નવા ડેટા સાથે પુનરાવર્તિત થાય છે.

AI લૂપના સેન્સ ભાગ પર ધ્યાન કેન્દ્રિત કરે છે. ઉદાહરણ તરીકે, સ્વાયત્ત કાર રસ્તાના ચિત્રો લે છે, તેમને રડાર અને લિડર ડેટા સાથે જોડે છે અને તેનું અર્થઘટન કરે છે. આ સામાન્ય રીતે મશીન લર્નિંગ દ્વારા કરવામાં આવે છે, જે આવનારા ડેટા પર પ્રક્રિયા કરે છે અને તેને અર્થપૂર્ણ માહિતી આપે છે, જેમ કે "તમારાથી 20 યાર્ડ આગળ બીજી કાર છે." આ કહેવાતા વર્ગીકરણ સમસ્યાઓ છે.

રમતોને માહિતી કાઢવા માટે કોઈ જટિલ સિસ્ટમની જરૂર નથી કારણ કે મોટાભાગના ડેટા પહેલેથી જ તેનો અભિન્ન ભાગ છે. આગળ કોઈ દુશ્મન છે કે કેમ તે નિર્ધારિત કરવા માટે ઇમેજ રેકગ્નિશન એલ્ગોરિધમ્સ ચલાવવાની કોઈ જરૂર નથી - રમત પહેલેથી જ જાણે છે અને માહિતીને સીધી નિર્ણય લેવાની પ્રક્રિયામાં ફીડ કરે છે. તેથી, ચક્રનો સેન્સ ભાગ ઘણીવાર વિચારો અને કાર્ય ભાગ કરતાં ઘણો સરળ હોય છે.

ગેમ AI ની મર્યાદાઓ

AI ની સંખ્યાબંધ મર્યાદાઓ છે જે અવલોકન કરવી આવશ્યક છે:

• AI ને અગાઉથી પ્રશિક્ષિત કરવાની જરૂર નથી, જાણે કે તે મશીન લર્નિંગ અલ્ગોરિધમ હોય. હજારો ખેલાડીઓનું નિરીક્ષણ કરવા અને તેમની સામે રમવાની શ્રેષ્ઠ રીત શીખવા માટે વિકાસ દરમિયાન ન્યુરલ નેટવર્ક લખવાનો કોઈ અર્થ નથી. શા માટે? કારણ કે રમત રીલિઝ કરવામાં આવી નથી અને ત્યાં કોઈ ખેલાડીઓ નથી.
• રમત મનોરંજક અને પડકારજનક હોવી જોઈએ, તેથી એજન્ટોને લોકો સામે શ્રેષ્ઠ અભિગમ ન મળવો જોઈએ.
• એજન્ટોએ વાસ્તવિક દેખાવાની જરૂર છે જેથી ખેલાડીઓને લાગે કે તેઓ વાસ્તવિક લોકો સામે રમી રહ્યા છે. AlphaGo પ્રોગ્રામે મનુષ્યોને પાછળ રાખી દીધા, પરંતુ પસંદ કરેલા પગલાં રમતની પરંપરાગત સમજથી ઘણા દૂર હતા. જો રમત માનવ વિરોધીનું અનુકરણ કરે છે, તો આ લાગણી અસ્તિત્વમાં હોવી જોઈએ નહીં. અલ્ગોરિધમને બદલવાની જરૂર છે જેથી તે આદર્શ નિર્ણયોને બદલે બુદ્ધિગમ્ય નિર્ણયો લે.
• AI એ વાસ્તવિક સમયમાં કામ કરવું જોઈએ. આનો અર્થ એ છે કે અલ્ગોરિધમ નિર્ણયો લેવા માટે લાંબા સમય સુધી CPU ઉપયોગનો એકાધિકાર કરી શકતો નથી. 10 મિલિસેકન્ડ પણ ખૂબ લાંબુ છે, કારણ કે મોટાભાગની રમતોને બધી પ્રક્રિયા કરવા અને આગળની ગ્રાફિક્સ ફ્રેમ પર જવા માટે માત્ર 16 થી 33 મિલિસેકન્ડની જરૂર હોય છે.
• આદર્શ રીતે, સિસ્ટમનો ઓછામાં ઓછો ભાગ ડેટા આધારિત હોવો જોઈએ, જેથી બિન-કોડર્સ ફેરફારો કરી શકે અને ગોઠવણો વધુ ઝડપથી થઈ શકે.

ચાલો AI અભિગમો જોઈએ જે સમગ્ર સંવેદના/વિચાર/અધિનિયમ ચક્રને આવરી લે છે.

મૂળભૂત નિર્ણયો લેવા

ચાલો સૌથી સરળ રમત - પૉંગથી પ્રારંભ કરીએ. ધ્યેય: ચપ્પુને ખસેડો જેથી બોલ તેના પરથી પસાર થવાને બદલે તેમાંથી ઉછળે. તે ટેનિસ જેવું છે, જ્યાં તમે બોલને નહીં ફટકારો તો હારશો. અહીં AI પાસે પ્રમાણમાં સરળ કાર્ય છે - પ્લેટફોર્મને કઈ દિશામાં ખસેડવું તે નક્કી કરવું.

શરતી નિવેદનો

પૉંગમાં AI માટે, સૌથી સ્પષ્ટ ઉકેલ એ છે કે પ્લેટફોર્મને હંમેશા બોલની નીચે રાખવાનો પ્રયાસ કરવો.

આ માટે એક સરળ અલ્ગોરિધમ, સ્યુડોકોડમાં લખાયેલ છે:

રમત ચાલી રહી હોય ત્યારે દરેક ફ્રેમ/અપડેટ:
જો બોલ પેડલની ડાબી બાજુએ છે:
ચપ્પુ ડાબે ખસેડો
અન્યથા જો બોલ પેડલની જમણી બાજુએ હોય તો:
ચપ્પુને જમણે ખસેડો

જો પ્લેટફોર્મ બોલની ઝડપે આગળ વધે છે, તો પૉંગમાં AI માટે આ આદર્શ અલ્ગોરિધમ છે. જો એજન્ટ માટે ખૂબ જ ડેટા અને સંભવિત ક્રિયાઓ ન હોય તો કંઈપણ જટિલ કરવાની જરૂર નથી.

આ અભિગમ એટલો સરળ છે કે સમગ્ર સંવેદના/વિચાર/અધિનિયમ ચક્ર ભાગ્યે જ ધ્યાનપાત્ર છે. પરંતુ તે ત્યાં છે:

• સેન્સ પાર્ટ બે ઇફ સ્ટેટમેન્ટમાં છે. રમત જાણે છે કે બોલ ક્યાં છે અને પ્લેટફોર્મ ક્યાં છે, તેથી એઆઈ તે માહિતી માટે તેની તરફ જુએ છે.
• બે ઇફ સ્ટેટમેન્ટમાં Think ભાગ પણ સામેલ છે. તેઓ બે ઉકેલોને મૂર્ત બનાવે છે, જે આ કિસ્સામાં પરસ્પર વિશિષ્ટ છે. પરિણામે, ત્રણમાંથી એક ક્રિયા પસંદ કરવામાં આવી છે - પ્લેટફોર્મને ડાબી તરફ ખસેડો, તેને જમણી તરફ ખસેડો અથવા જો તે પહેલાથી જ યોગ્ય રીતે સ્થિત હોય તો કંઈ કરશો નહીં.
• એક્ટનો ભાગ મૂવ પેડલ લેફ્ટ અને મૂવ પેડલ રાઈટ સ્ટેટમેન્ટ્સમાં જોવા મળે છે. ગેમ ડિઝાઇનના આધારે, તેઓ પ્લેટફોર્મને તરત અથવા ચોક્કસ ઝડપે ખસેડી શકે છે.

આવા અભિગમોને પ્રતિક્રિયાશીલ કહેવામાં આવે છે - નિયમોનો એક સરળ સમૂહ છે (આ કિસ્સામાં કોડમાં નિવેદનો હોય તો) જે વિશ્વની વર્તમાન સ્થિતિ પર પ્રતિક્રિયા આપે છે અને પગલાં લે છે.

નિર્ણય વૃક્ષ

પૉંગનું ઉદાહરણ વાસ્તવમાં ઔપચારિક AI કન્સેપ્ટની સમકક્ષ છે જેને ડિસિઝન ટ્રી કહેવાય છે. એલ્ગોરિધમ "પાંદડા" સુધી પહોંચવા માટે તેમાંથી પસાર થાય છે - શું પગલાં લેવા તે અંગેનો નિર્ણય.

ચાલો અમારા પ્લેટફોર્મના અલ્ગોરિધમ માટે નિર્ણય ટ્રીનો બ્લોક ડાયાગ્રામ બનાવીએ:

વૃક્ષના દરેક ભાગને નોડ કહેવામાં આવે છે - AI આવી રચનાઓનું વર્ણન કરવા માટે ગ્રાફ થિયરીનો ઉપયોગ કરે છે. ત્યાં બે પ્રકારના ગાંઠો છે:

• નિર્ણય ગાંઠો: અમુક શરતના પરીક્ષણના આધારે બે વિકલ્પો વચ્ચે પસંદગી કરવી, જ્યાં દરેક વિકલ્પને અલગ નોડ તરીકે રજૂ કરવામાં આવે છે.
• અંતિમ ગાંઠો: કરવા માટેની ક્રિયા જે અંતિમ નિર્ણયનું પ્રતિનિધિત્વ કરે છે.

એલ્ગોરિધમ પ્રથમ નોડ (વૃક્ષનું "મૂળ") થી શરૂ થાય છે. તે ક્યાં તો કયા ચાઇલ્ડ નોડ પર જવું તે અંગે નિર્ણય લે છે, અથવા તે નોડમાં સંગ્રહિત ક્રિયાને એક્ઝિક્યુટ કરે છે અને બહાર નીકળી જાય છે.

અગાઉના વિભાગમાં if સ્ટેટમેન્ટની જેમ જ કાર્ય કરવાનો નિર્ણય ટ્રી રાખવાનો શું ફાયદો છે? અહીં એક સામાન્ય સિસ્ટમ છે જ્યાં દરેક નિર્ણયની માત્ર એક જ શરત અને બે સંભવિત પરિણામો હોય છે. આ ડેવલપરને હાર્ડ-કોડ કર્યા વિના વૃક્ષમાં નિર્ણયોનું પ્રતિનિધિત્વ કરતા ડેટામાંથી AI બનાવવાની મંજૂરી આપે છે. ચાલો તેને કોષ્ટકના રૂપમાં રજૂ કરીએ:

કોડ બાજુ પર તમને સ્ટ્રીંગ્સ વાંચવા માટેની સિસ્ટમ મળશે. તેમાંના દરેક માટે નોડ બનાવો, બીજા કૉલમના આધારે નિર્ણય લોજિક અને ત્રીજા અને ચોથા કૉલમ પર આધારિત ચાઇલ્ડ નોડ્સને કનેક્ટ કરો. તમારે હજી પણ શરતો અને ક્રિયાઓ પ્રોગ્રામ કરવાની જરૂર છે, પરંતુ હવે રમતનું માળખું વધુ જટિલ હશે. અહીં તમે વધારાના નિર્ણયો અને ક્રિયાઓ ઉમેરો, અને પછી ફક્ત વૃક્ષ વ્યાખ્યા ટેક્સ્ટ ફાઇલને સંપાદિત કરીને સમગ્ર AIને કસ્ટમાઇઝ કરો. આગળ, તમે ફાઇલને ગેમ ડિઝાઇનરને સ્થાનાંતરિત કરો છો, જે રમતને ફરીથી કમ્પાઇલ કર્યા વિના અથવા કોડ બદલ્યા વિના વર્તન બદલી શકે છે.

નિર્ણયના વૃક્ષો ખૂબ જ ઉપયોગી છે જ્યારે તે ઉદાહરણોના મોટા સમૂહમાંથી (ઉદાહરણ તરીકે, ID3 અલ્ગોરિધમનો ઉપયોગ કરીને) આપોઆપ બનાવવામાં આવે છે. આ તેમને પ્રાપ્ત ડેટાના આધારે પરિસ્થિતિઓને વર્ગીકૃત કરવા માટે એક અસરકારક અને ઉચ્ચ-પ્રદર્શન સાધન બનાવે છે. જો કે, અમે એજન્ટો માટે ક્રિયાઓ પસંદ કરવા માટે એક સરળ સિસ્ટમથી આગળ વધીએ છીએ.

દૃશ્યો

અમે એક નિર્ણય વૃક્ષ પ્રણાલીનું વિશ્લેષણ કર્યું જે પૂર્વ-નિર્મિત પરિસ્થિતિઓ અને ક્રિયાઓનો ઉપયોગ કરે છે. AI ડિઝાઇન કરનાર વ્યક્તિ તે ઇચ્છે તે રીતે વૃક્ષને ગોઠવી શકે છે, પરંતુ તેણે હજી પણ કોડર પર આધાર રાખવો પડશે જેણે આ બધું પ્રોગ્રામ કર્યું છે. જો આપણે ડિઝાઇનરને તેમની પોતાની શરતો અથવા ક્રિયાઓ બનાવવા માટે સાધનો આપી શકીએ તો શું?

જેથી પ્રોગ્રામરે ઇઝ બોલ લેફ્ટ ઓફ પેડલ અને ઇઝ બોલ રાઇટ ઓફ પેડલની શરતો માટે કોડ લખવો ન પડે, તે એક સિસ્ટમ બનાવી શકે છે જેમાં ડિઝાઇનર આ મૂલ્યોને તપાસવા માટે શરતો લખશે. પછી નિર્ણય વૃક્ષ ડેટા આના જેવો દેખાશે:

આ અનિવાર્યપણે પ્રથમ કોષ્ટકની જેમ જ છે, પરંતુ તેની અંદરના ઉકેલોનો પોતાનો કોડ હોય છે, જે થોડોક if સ્ટેટમેન્ટના શરતી ભાગ જેવો હોય છે. કોડ બાજુ પર, આ નિર્ણય નોડ્સ માટે બીજી કૉલમમાં વાંચવામાં આવશે, પરંતુ એક્ઝિક્યુટ કરવા માટે ચોક્કસ શરત શોધવાને બદલે (ઈઝ બોલ લેફ્ટ ઑફ પેડલ), તે શરતી અભિવ્યક્તિનું મૂલ્યાંકન કરે છે અને તે મુજબ સાચું કે ખોટું પરત કરે છે. આ લુઆ અથવા એન્જલસ્ક્રિપ્ટ સ્ક્રિપ્ટીંગ ભાષાનો ઉપયોગ કરીને કરવામાં આવે છે. તેનો ઉપયોગ કરીને, વિકાસકર્તા તેની રમત (બોલ અને પેડલ) માં વસ્તુઓ લઈ શકે છે અને ચલ બનાવી શકે છે જે સ્ક્રિપ્ટમાં ઉપલબ્ધ હશે (ball.position). ઉપરાંત, સ્ક્રિપ્ટીંગ ભાષા C++ કરતાં સરળ છે. તેને સંપૂર્ણ સંકલન તબક્કાની જરૂર નથી, તેથી તે રમતના તર્કને ઝડપથી સમાયોજિત કરવા માટે આદર્શ છે અને "નોન-કોડર" ને જરૂરી કાર્યો જાતે બનાવવાની મંજૂરી આપે છે.

ઉપરના ઉદાહરણમાં, સ્ક્રિપ્ટીંગ ભાષાનો ઉપયોગ માત્ર શરતી અભિવ્યક્તિનું મૂલ્યાંકન કરવા માટે થાય છે, પરંતુ તેનો ઉપયોગ ક્રિયાઓ માટે પણ થઈ શકે છે. ઉદાહરણ તરીકે, ડેટા મૂવ પેડલ રાઇટ એ સ્ક્રિપ્ટ સ્ટેટમેન્ટ બની શકે છે (ball.position.x += 10). જેથી ક્રિયાને સ્ક્રિપ્ટમાં પણ વ્યાખ્યાયિત કરવામાં આવે, પેડલને જમણે ખસેડો પ્રોગ્રામ કરવાની જરૂર વગર.

તમે હજી પણ આગળ જઈ શકો છો અને સમગ્ર નિર્ણય વૃક્ષને સ્ક્રિપ્ટીંગ ભાષામાં લખી શકો છો. આ હાર્ડકોડ શરતી નિવેદનોના રૂપમાં કોડ હશે, પરંતુ તે બાહ્ય સ્ક્રિપ્ટ ફાઇલોમાં સ્થિત હશે, એટલે કે, સમગ્ર પ્રોગ્રામને ફરીથી કમ્પાઇલ કર્યા વિના તેને બદલી શકાય છે. વિવિધ AI પ્રતિસાદોને ઝડપથી ચકાસવા માટે તમે ઘણીવાર ગેમપ્લે દરમિયાન સ્ક્રિપ્ટ ફાઇલને સંપાદિત કરી શકો છો.

ઘટના પ્રતિભાવ

ઉપરોક્ત ઉદાહરણો પૉંગ માટે યોગ્ય છે. તેઓ સતત સંવેદના/વિચાર/અધિનિયમ ચક્ર ચલાવે છે અને વિશ્વની નવીનતમ સ્થિતિના આધારે કાર્ય કરે છે. પરંતુ વધુ જટિલ રમતોમાં તમારે વ્યક્તિગત ઇવેન્ટ્સ પર પ્રતિક્રિયા કરવાની જરૂર છે, અને એક જ સમયે દરેક વસ્તુનું મૂલ્યાંકન કરવાની જરૂર નથી. આ કિસ્સામાં પૉંગ પહેલેથી જ ખરાબ ઉદાહરણ છે. ચાલો બીજો એક પસંદ કરીએ.

શૂટરની કલ્પના કરો કે જ્યાં સુધી દુશ્મનો ખેલાડીને શોધી ન લે ત્યાં સુધી તેઓ ગતિહીન હોય છે, ત્યારબાદ તેઓ તેમના "વિશિષ્ટતા" ના આધારે કાર્ય કરે છે: કોઈ "દોડવા" માટે દોડશે, કોઈ દૂરથી હુમલો કરશે. તે હજુ પણ મૂળભૂત પ્રતિક્રિયાશીલ સિસ્ટમ છે - "જો કોઈ ખેલાડી જોવામાં આવે, તો કંઈક કરો" - પરંતુ તે તાર્કિક રીતે પ્લેયર સીન ઇવેન્ટ અને પ્રતિક્રિયામાં વિભાજિત થઈ શકે છે (એક પ્રતિભાવ પસંદ કરો અને તેને ચલાવો).

આ આપણને સંવેદના/વિચાર/અધિનિયમ ચક્ર પર પાછા લાવે છે. અમે સેન્સ પાર્ટને કોડ કરી શકીએ છીએ જે દરેક ફ્રેમને ચેક કરશે કે AI પ્લેયરને જુએ છે કે નહીં. જો નહીં, તો કંઈ થતું નથી, પરંતુ જો તે જુએ છે, તો પ્લેયર સીન ઇવેન્ટ બનાવવામાં આવે છે. કોડમાં એક અલગ વિભાગ હશે જે કહે છે કે "જ્યારે પ્લેયર સીન ઇવેન્ટ થાય છે, ત્યારે કરો" તમને વિચારો અને એક્ટના ભાગોને સંબોધવા માટે જરૂરી પ્રતિસાદ ક્યાં છે. આમ, તમે પ્લેયર સીન ઇવેન્ટ પર પ્રતિક્રિયાઓ સેટ કરશો: "ધડતા" પાત્ર માટે - ChargeAndAttack અને સ્નાઈપર માટે - HideAndSnipe. આ સંબંધોને ફરીથી કમ્પાઇલ કર્યા વિના ઝડપી સંપાદન માટે ડેટા ફાઇલમાં બનાવી શકાય છે. સ્ક્રિપ્ટીંગ ભાષાનો ઉપયોગ અહીં પણ કરી શકાય છે.

મુશ્કેલ નિર્ણયો લેવા

જોકે સરળ પ્રતિક્રિયા પ્રણાલીઓ ખૂબ જ શક્તિશાળી છે, ત્યાં ઘણી પરિસ્થિતિઓ છે જ્યાં તે પર્યાપ્ત નથી. કેટલીકવાર તમારે એજન્ટ હાલમાં શું કરી રહ્યું છે તેના આધારે જુદા જુદા નિર્ણયો લેવાની જરૂર પડે છે, પરંતુ આને એક શરત તરીકે કલ્પના કરવી મુશ્કેલ છે. કેટલીકવાર નિર્ણય વૃક્ષ અથવા સ્ક્રિપ્ટમાં તેમને અસરકારક રીતે રજૂ કરવા માટે ઘણી બધી શરતો હોય છે. કેટલીકવાર તમારે આગલું પગલું નક્કી કરતા પહેલા પરિસ્થિતિ કેવી રીતે બદલાશે તેનું અગાઉથી મૂલ્યાંકન કરવાની જરૂર છે. આ સમસ્યાઓ હલ કરવા માટે વધુ આધુનિક અભિગમની જરૂર છે.

મર્યાદિત રાજ્ય મશીન

ફિનાઈટ સ્ટેટ મશીન અથવા એફએસએમ (ફિનાઈટ સ્ટેટ મશીન) એ કહેવાની એક રીત છે કે અમારો એજન્ટ હાલમાં અનેક સંભવિત રાજ્યોમાંથી એકમાં છે અને તે એક રાજ્યમાંથી બીજા રાજ્યમાં સંક્રમણ કરી શકે છે. આવા રાજ્યોની ચોક્કસ સંખ્યા છે-તેથી નામ. જીવનનું શ્રેષ્ઠ ઉદાહરણ ટ્રાફિક લાઇટ છે. વિવિધ સ્થળોએ લાઇટના વિવિધ ક્રમ છે, પરંતુ સિદ્ધાંત સમાન છે - દરેક રાજ્ય કંઈક (રોકો, ચાલવું, વગેરે) રજૂ કરે છે. ટ્રાફિક લાઇટ કોઈપણ સમયે માત્ર એક જ સ્થિતિમાં હોય છે અને સરળ નિયમોના આધારે એકથી બીજામાં જાય છે.

તે રમતોમાં NPCs સાથે સમાન વાર્તા છે. ઉદાહરણ તરીકે, ચાલો નીચેના રાજ્યો સાથે રક્ષક લઈએ:

• પેટ્રોલિંગ.
• હુમલો કરી રહ્યા છે.
• પલાયન.

અને તેની સ્થિતિ બદલવા માટેની આ શરતો:

• જો રક્ષક દુશ્મનને જુએ છે, તો તે હુમલો કરે છે.
• જો રક્ષક હુમલો કરે છે પરંતુ હવે દુશ્મનને જોતો નથી, તો તે પેટ્રોલિંગમાં પાછો ફરે છે.
• જો કોઈ રક્ષક હુમલો કરે છે પરંતુ તે ખરાબ રીતે ઘાયલ થાય છે, તો તે ભાગી જાય છે.

તમે ગાર્ડિયન સ્ટેટ વેરિયેબલ અને વિવિધ ચેક સાથે if-સ્ટેટમેન્ટ્સ પણ લખી શકો છો: શું નજીકમાં કોઈ દુશ્મન છે, NPCનું આરોગ્ય સ્તર શું છે વગેરે. ચાલો થોડા વધુ રાજ્યો ઉમેરીએ:

• આળસ - પેટ્રોલિંગ વચ્ચે.
• શોધવું - જ્યારે નોંધાયેલ દુશ્મન અદૃશ્ય થઈ જાય.
• મદદ શોધવી - જ્યારે કોઈ દુશ્મન જોવા મળે છે, પરંતુ તે એકલા લડવા માટે ખૂબ મજબૂત છે.

તેમાંના દરેક માટે પસંદગી મર્યાદિત છે - ઉદાહરણ તરીકે, જો તેની તબિયત ઓછી હોય તો રક્ષક છુપાયેલા દુશ્મનની શોધમાં જશે નહીં.

છેવટે, "ifs" ની વિશાળ સૂચિ છે , તે " ખૂબ બોજારૂપ બની શકે છે, તેથી આપણે એક પદ્ધતિને ઔપચારિક બનાવવાની જરૂર છે જે અમને રાજ્યો વચ્ચેના રાજ્યો અને સંક્રમણોને ધ્યાનમાં રાખવાની મંજૂરી આપે. આ કરવા માટે, અમે તમામ રાજ્યોને ધ્યાનમાં લઈએ છીએ, અને દરેક રાજ્ય હેઠળ અમે તેમના માટે જરૂરી શરતો સાથે અન્ય રાજ્યોમાંના તમામ સંક્રમણોને સૂચિમાં લખીએ છીએ.

આ એક રાજ્ય સંક્રમણ કોષ્ટક છે - FSM ને રજૂ કરવાની એક વ્યાપક રીત. ચાલો એક આકૃતિ દોરીએ અને NPC વર્તન કેવી રીતે બદલાય છે તેની સંપૂર્ણ ઝાંખી મેળવીએ.

ડાયાગ્રામ વર્તમાન પરિસ્થિતિના આધારે આ એજન્ટ માટે નિર્ણય લેવાના સારને પ્રતિબિંબિત કરે છે. વધુમાં, દરેક એરો રાજ્યો વચ્ચે સંક્રમણ બતાવે છે જો તેની બાજુની સ્થિતિ સાચી હોય.

પ્રત્યેક અપડેટ અમે એજન્ટની વર્તમાન સ્થિતિ તપાસીએ છીએ, સંક્રમણોની સૂચિમાં જુઓ અને જો સંક્રમણ માટેની શરતો પૂરી થાય છે, તો તે નવી સ્થિતિને સ્વીકારે છે. ઉદાહરણ તરીકે, દરેક ફ્રેમ તપાસે છે કે 10-સેકન્ડના ટાઈમરની સમયસીમા સમાપ્ત થઈ ગઈ છે કે કેમ, અને જો એમ હોય, તો પછી ગાર્ડ નિષ્ક્રિય સ્થિતિમાંથી પેટ્રોલિંગમાં જાય છે. એ જ રીતે, એટેકિંગ સ્ટેટ એજન્ટના સ્વાસ્થ્યની તપાસ કરે છે - જો તે ઓછું હોય, તો તે ભાગી જવાની સ્થિતિમાં જાય છે.

આ રાજ્યો વચ્ચેના સંક્રમણોને સંભાળી રહ્યું છે, પરંતુ રાજ્યો સાથે સંકળાયેલા વર્તન વિશે શું? ચોક્કસ રાજ્ય માટે વાસ્તવિક વર્તણૂકના અમલીકરણના સંદર્ભમાં, સામાન્ય રીતે બે પ્રકારના "હૂક" હોય છે જ્યાં અમે FSM ને ક્રિયાઓ સોંપીએ છીએ:

• વર્તમાન સ્થિતિ માટે અમે સમયાંતરે ક્રિયાઓ કરીએ છીએ.
• એક રાજ્યમાંથી બીજા રાજ્યમાં સંક્રમણ કરતી વખતે અમે જે ક્રિયાઓ કરીએ છીએ.

પ્રથમ પ્રકાર માટે ઉદાહરણો. પેટ્રોલિંગ સ્ટેટ એજન્ટને દરેક ફ્રેમમાં પેટ્રોલિંગ રૂટ પર ખસેડશે. હુમલો કરનાર રાજ્ય દરેક ફ્રેમ પર હુમલો શરૂ કરવાનો પ્રયાસ કરશે અથવા રાજ્યમાં સંક્રમણ કરશે જ્યાં આ શક્ય છે.

બીજા પ્રકાર માટે, સંક્રમણને ધ્યાનમાં લો “જો દુશ્મન દેખાય છે અને દુશ્મન ખૂબ જ મજબૂત છે, તો પછી ફાઇન્ડિંગ હેલ્પ સ્ટેટ પર જાઓ. એજન્ટે મદદ માટે ક્યાં જવું તે પસંદ કરવું જોઈએ અને આ માહિતી સંગ્રહિત કરવી જોઈએ જેથી કરીને મદદ શોધવાનું રાજ્ય ક્યાં જવું તે જાણી શકે. એકવાર મદદ મળી જાય, એજન્ટ પાછા હુમલાની સ્થિતિમાં જાય છે. આ સમયે, તે સાથીને ધમકી વિશે જણાવવા માંગશે, તેથી NotifyFriendOfThreat ક્રિયા થઈ શકે છે.

ફરી એકવાર, આપણે આ સિસ્ટમને સેન્સ/થિંક/એક્ટ ચક્રના લેન્સ દ્વારા જોઈ શકીએ છીએ. સંક્રમણ તર્ક દ્વારા ઉપયોગમાં લેવાતા ડેટામાં સંવેદના અંકિત છે. વિચારો - દરેક રાજ્યમાં સંક્રમણો ઉપલબ્ધ છે. અને અધિનિયમ રાજ્યની અંદર અથવા રાજ્યો વચ્ચેના સંક્રમણ વખતે સમયાંતરે કરવામાં આવતી ક્રિયાઓ દ્વારા હાથ ધરવામાં આવે છે.

ક્યારેક સતત મતદાન સંક્રમણની સ્થિતિ મોંઘી પડી શકે છે. ઉદાહરણ તરીકે, જો દરેક એજન્ટ દરેક ફ્રેમમાં જટિલ ગણતરીઓ કરે છે તે નિર્ધારિત કરવા માટે કે તે દુશ્મનોને જોઈ શકે છે કે કેમ અને તે પેટ્રોલિંગમાંથી એટેકિંગ સ્ટેટમાં સંક્રમણ કરી શકે છે કે કેમ તે સમજી શકે છે, આમાં ઘણો CPU સમય લાગશે.

વિશ્વની સ્થિતિમાં મહત્વપૂર્ણ ફેરફારોને એવી ઘટનાઓ તરીકે વિચારી શકાય છે કે જેમની જેમ તેઓ થાય છે તેમ પ્રક્રિયા કરવામાં આવશે. FSM સંક્રમણ સ્થિતિ "શું મારા એજન્ટ પ્લેયરને જોઈ શકે છે?" દરેક ફ્રેમને તપાસવાને બદલે, એક અલગ સિસ્ટમ ઓછી વારંવાર તપાસવા માટે ગોઠવી શકાય છે (દા.ત. પ્રતિ સેકન્ડમાં 5 વખત). અને પરિણામ એ છે કે જ્યારે ચેક પાસ થાય ત્યારે પ્લેયર સીન જારી કરવામાં આવે છે.

આ એફએસએમને પસાર કરવામાં આવે છે, જેણે હવે પ્લેયર સીન ઇવેન્ટ પ્રાપ્ત શરત પર જવું જોઈએ અને તે મુજબ પ્રતિસાદ આપવો જોઈએ. પ્રતિભાવ આપતા પહેલા લગભગ અગોચર વિલંબ સિવાય પરિણામી વર્તન સમાન છે. પરંતુ સેન્સ ભાગને પ્રોગ્રામના એક અલગ ભાગમાં અલગ કરવાના પરિણામે કામગીરીમાં સુધારો થયો છે.

અધિક્રમિક મર્યાદિત રાજ્ય મશીન

જો કે, મોટા એફએસએમ સાથે કામ કરવું હંમેશા અનુકૂળ હોતું નથી. જો આપણે હુમલાની સ્થિતિને MeleeAttacking અને RangedAttackingને અલગ કરવા માટે વિસ્તારવા માગીએ છીએ, તો અમારે અન્ય તમામ રાજ્યોમાંથી સંક્રમણો બદલવા પડશે જે હુમલાની સ્થિતિ (વર્તમાન અને ભવિષ્ય) તરફ દોરી જાય છે.

તમે કદાચ નોંધ્યું છે કે અમારા ઉદાહરણમાં ઘણા બધા ડુપ્લિકેટ સંક્રમણો છે. નિષ્ક્રિય સ્થિતિમાં મોટાભાગના સંક્રમણો પેટ્રોલિંગ રાજ્યના સંક્રમણો જેવા જ હોય ​​છે. આપણી જાતને પુનરાવર્તિત ન કરવી તે સરસ રહેશે, ખાસ કરીને જો આપણે વધુ સમાન રાજ્યો ઉમેરીએ. "નોન-કોમ્બેટ" ના સામાન્ય લેબલ હેઠળ જૂથ નિષ્ક્રિયતા અને પેટ્રોલિંગનો અર્થ થાય છે, જ્યાં લડાયક રાજ્યોમાં સંક્રમણોનો માત્ર એક જ સામાન્ય સમૂહ છે. જો આપણે આ લેબલને એક રાજ્ય તરીકે વિચારીએ, તો પછી નિષ્ક્રિયતા અને પેટ્રોલિંગ સબસ્ટેટ બની જાય છે. નવા બિન-લડાઇ સબસ્ટેટ માટે અલગ સંક્રમણ કોષ્ટકનો ઉપયોગ કરવાનું ઉદાહરણ:

મુખ્ય રાજ્યો:


લડાયક સ્થિતિની બહાર:


અને ડાયાગ્રામ સ્વરૂપમાં:

તે સમાન સિસ્ટમ છે, પરંતુ નવી બિન-લડાઇ સ્થિતિ સાથે જેમાં આડલિંગ અને પેટ્રોલિંગનો સમાવેશ થાય છે. દરેક રાજ્યમાં સબસ્ટેટ્સ સાથે એફએસએમ હોય છે (અને આ સબસ્ટેટ્સ, બદલામાં, તેમના પોતાના એફએસએમ ધરાવે છે - અને તે જ રીતે જ્યાં સુધી તમને જરૂર હોય ત્યાં સુધી), અમને હાયરાર્કિકલ ફિનાઈટ સ્ટેટ મશીન અથવા એચએફએસએમ (હાયરાર્કિકલ ફિનાઈટ સ્ટેટ મશીન) મળે છે. બિન-લડાઇ સ્થિતિને જૂથબદ્ધ કરીને, અમે બિનજરૂરી સંક્રમણોનો સમૂહ કાપી નાખ્યો. અમે સામાન્ય સંક્રમણો સાથે કોઈપણ નવા રાજ્યો માટે તે જ કરી શકીએ છીએ. ઉદાહરણ તરીકે, જો ભવિષ્યમાં આપણે એટેકિંગ સ્ટેટને MeleeAttacking અને MissileAtacking સ્ટેટ્સમાં વિસ્તરીશું, તો તે સબસ્ટેટ્સ હશે જે દુશ્મનના અંતર અને દારૂગોળાની ઉપલબ્ધતાના આધારે એકબીજા વચ્ચે સંક્રમણ કરે છે. પરિણામે, જટિલ વર્તણૂકો અને પેટા-વર્તણૂકોને ઓછામાં ઓછા ડુપ્લિકેટ સંક્રમણો સાથે રજૂ કરી શકાય છે.

વર્તન વૃક્ષ

HFSM સાથે, વર્તણૂકોના જટિલ સંયોજનો સરળ રીતે બનાવવામાં આવે છે. જો કે, થોડી મુશ્કેલી છે કે સંક્રમણ નિયમોના સ્વરૂપમાં નિર્ણય લેવાનો વર્તમાન સ્થિતિ સાથે ગાઢ સંબંધ છે. અને ઘણી રમતોમાં આ બરાબર જરૂરી છે. અને રાજ્ય પદાનુક્રમનો સાવચેત ઉપયોગ સંક્રમણ પુનરાવર્તનોની સંખ્યા ઘટાડી શકે છે. પરંતુ કેટલીકવાર તમને એવા નિયમોની જરૂર હોય છે જે તમે ગમે તે રાજ્યમાં હોવ અથવા લગભગ કોઈપણ રાજ્યમાં લાગુ પડો તો પણ કાર્ય કરે છે. ઉદાહરણ તરીકે, જો કોઈ એજન્ટનું સ્વાસ્થ્ય 25% સુધી ઘટી જાય, તો તમે ઈચ્છો છો કે તે લડાઈ, નિષ્ક્રિય અથવા વાત કરી રહ્યો હોય કે કેમ તે ધ્યાનમાં લીધા વિના તે ભાગી જાય - તમારે દરેક રાજ્યમાં આ સ્થિતિ ઉમેરવી પડશે. અને જો તમારા ડિઝાઇનર પછીથી નીચા આરોગ્ય થ્રેશોલ્ડને 25% થી 10% સુધી બદલવા માંગે છે, તો આ ફરીથી કરવું પડશે.

આદર્શરીતે, આ પરિસ્થિતિને એક એવી સિસ્ટમની જરૂર છે જેમાં "કયા રાજ્યમાં રહેવું" વિશેના નિર્ણયો રાજ્યોની બહાર હોય, ફક્ત એક જ જગ્યાએ ફેરફારો કરવા અને સંક્રમણ પરિસ્થિતિઓને સ્પર્શ ન કરવા માટે. વર્તન વૃક્ષો અહીં દેખાય છે.

તેમને અમલમાં મૂકવાની ઘણી રીતો છે, પરંતુ સાર લગભગ બધા માટે સમાન છે અને તે નિર્ણયના વૃક્ષ જેવું જ છે: અલ્ગોરિધમ "રુટ" નોડથી શરૂ થાય છે, અને વૃક્ષમાં ગાંઠો હોય છે જે નિર્ણયો અથવા ક્રિયાઓનું પ્રતિનિધિત્વ કરે છે. જોકે કેટલાક મુખ્ય તફાવતો છે:

• નોડ્સ હવે ત્રણ મૂલ્યોમાંથી એક પરત કરે છે: સફળ (જો કાર્ય પૂર્ણ થયું હોય), નિષ્ફળ (જો તે શરૂ ન થઈ શકે), અથવા ચાલી રહ્યું છે (જો તે હજી પણ ચાલી રહ્યું છે અને ત્યાં કોઈ અંતિમ પરિણામ નથી).
• બે વિકલ્પો વચ્ચે પસંદગી કરવા માટે કોઈ વધુ નિર્ણય ગાંઠો નથી. તેના બદલે, તે ડેકોરેટર નોડ્સ છે, જેમાં એક ચાઇલ્ડ નોડ છે. જો તેઓ સફળ થાય છે, તો તેઓ તેમના એકમાત્ર ચાઈલ્ડ નોડને ચલાવે છે.
• નોડ્સ જે ક્રિયાઓ કરે છે તે ક્રિયાઓનું પ્રતિનિધિત્વ કરવા માટે ચાલી રહેલ મૂલ્ય પરત કરે છે.

ગાંઠોના આ નાના સમૂહને મોટી સંખ્યામાં જટિલ વર્તણૂકો બનાવવા માટે જોડી શકાય છે. ચાલો અગાઉના ઉદાહરણમાંથી HFSM રક્ષકને વર્તન વૃક્ષ તરીકે કલ્પના કરીએ:

આ સંરચના સાથે નિષ્ક્રિય/પેટ્રોલિંગ રાજ્યોમાંથી એટેકિંગ અથવા અન્ય કોઈપણ રાજ્યોમાં કોઈ સ્પષ્ટ સંક્રમણ હોવું જોઈએ નહીં. જો કોઈ દુશ્મન દેખાતો હોય અને પાત્રની તબિયત ઓછી હોય, તો એક્ઝેક્યુશન ફ્લેઈંગ નોડ પર બંધ થઈ જશે, પછી ભલે તે પહેલાં જે નોડ એક્ઝિક્યુટ કરી રહ્યો હોય - પેટ્રોલિંગ, આઈડલિંગ, એટેકિંગ અથવા અન્ય કોઈ.

બિહેવિયર ટ્રી જટિલ છે-તેને કંપોઝ કરવાની ઘણી રીતો છે, અને ડેકોરેટર અને કમ્પાઉન્ડ નોડ્સનું યોગ્ય સંયોજન શોધવું પડકારજનક હોઈ શકે છે. વૃક્ષને કેટલી વાર તપાસવું તે અંગેના પ્રશ્નો પણ છે - શું આપણે તેના દરેક ભાગમાંથી પસાર થવા માંગીએ છીએ અથવા ફક્ત ત્યારે જ જ્યારે કોઈ એક પરિસ્થિતિ બદલાઈ ગઈ હોય? અમે નોડ્સને લગતી સ્થિતિને કેવી રીતે સંગ્રહિત કરીએ છીએ - જ્યારે આપણે 10 સેકન્ડ માટે નિષ્ક્રિય રહીએ છીએ ત્યારે આપણે કેવી રીતે જાણી શકીએ, અથવા આપણે કેવી રીતે જાણી શકીએ કે છેલ્લી વખતે કયા નોડ્સ એક્ઝિક્યુટ થઈ રહ્યા હતા જેથી અમે ક્રમને યોગ્ય રીતે પ્રક્રિયા કરી શકીએ?

આ કારણે ત્યાં ઘણા અમલીકરણો છે. ઉદાહરણ તરીકે, કેટલીક સિસ્ટમોએ ડેકોરેટર નોડ્સને ઇનલાઇન ડેકોરેટર્સ સાથે બદલ્યા છે. જ્યારે ડેકોરેટરની સ્થિતિ બદલાય છે ત્યારે તેઓ વૃક્ષનું પુનઃમૂલ્યાંકન કરે છે, નોડ્સમાં જોડાવામાં મદદ કરે છે અને સમયાંતરે અપડેટ્સ પ્રદાન કરે છે.

ઉપયોગિતા આધારિત સિસ્ટમ

કેટલીક રમતોમાં ઘણાં વિવિધ મિકેનિક્સ હોય છે. તે ઇચ્છનીય છે કે તેઓ સરળ અને સામાન્ય સંક્રમણ નિયમોના તમામ લાભો પ્રાપ્ત કરે છે, પરંતુ વર્તનના સંપૂર્ણ વૃક્ષના સ્વરૂપમાં જરૂરી નથી. પસંદગીઓનો સ્પષ્ટ સમૂહ અથવા સંભવિત ક્રિયાઓના વૃક્ષને બદલે, બધી ક્રિયાઓનું પરીક્ષણ કરવું અને આ ક્ષણે સૌથી યોગ્ય એક પસંદ કરવાનું સરળ છે.

યુટિલિટી-આધારિત સિસ્ટમ આમાં મદદ કરશે. આ એક એવી સિસ્ટમ છે જ્યાં એજન્ટ પાસે વિવિધ પ્રકારની ક્રિયાઓ હોય છે અને તે દરેકની સંબંધિત ઉપયોગિતાના આધારે કઈ ક્રિયાઓ કરવી તે પસંદ કરે છે. જ્યાં ઉપયોગિતા એ આ ક્રિયા કરવા માટે એજન્ટ માટે કેટલું મહત્વપૂર્ણ અથવા ઇચ્છનીય છે તેનું મનસ્વી માપ છે.

વર્તમાન સ્થિતિ અને પર્યાવરણ પર આધારિત ક્રિયાની ગણતરી કરેલ ઉપયોગિતા, એજન્ટ કોઈપણ સમયે સૌથી યોગ્ય અન્ય રાજ્યને ચકાસી અને પસંદ કરી શકે છે. આ FSM જેવું જ છે, સિવાય કે જ્યાં સંક્રમણો વર્તમાન સહિત દરેક સંભવિત સ્થિતિ માટે અંદાજ દ્વારા નક્કી કરવામાં આવે છે. મહેરબાની કરીને નોંધ કરો કે અમે આગળ વધવા માટે સૌથી ઉપયોગી ક્રિયા પસંદ કરીએ છીએ (અથવા જો અમે તે પૂર્ણ કરી લીધું હોય તો રહીએ). વધુ વિવિધતા માટે, આ નાની સૂચિમાંથી સંતુલિત પરંતુ રેન્ડમ પસંદગી હોઈ શકે છે.

સિસ્ટમ ઉપયોગિતા મૂલ્યોની મનસ્વી શ્રેણી સોંપે છે - ઉદાહરણ તરીકે, 0 (સંપૂર્ણપણે અનિચ્છનીય) થી 100 (સંપૂર્ણપણે ઇચ્છનીય). દરેક ક્રિયામાં સંખ્યાબંધ પરિમાણો હોય છે જે આ મૂલ્યની ગણતરીને અસર કરે છે. અમારા વાલી ઉદાહરણ પર પાછા ફરો:

ક્રિયાઓ વચ્ચેના સંક્રમણો અસ્પષ્ટ છે-કોઈપણ રાજ્ય કોઈપણ અન્યને અનુસરી શકે છે. પરત કરેલ ઉપયોગિતા મૂલ્યોમાં ક્રિયાની પ્રાથમિકતાઓ જોવા મળે છે. જો કોઈ દુશ્મન દેખાતો હોય, અને તે દુશ્મન મજબૂત હોય, અને પાત્રની તંદુરસ્તી ઓછી હોય, તો પછી Fleeing અને FindingHelp બંને ઉચ્ચ બિન-શૂન્ય મૂલ્યો પરત કરશે. આ કિસ્સામાં, FindingHelp હંમેશા ઉચ્ચ રહેશે. તેવી જ રીતે, બિન-લડાઇ પ્રવૃત્તિઓ ક્યારેય 50 થી વધુ પરત આવતી નથી, તેથી તે હંમેશા લડાઇ કરતા ઓછી હશે. ક્રિયાઓ બનાવતી વખતે અને તેમની ઉપયોગિતાની ગણતરી કરતી વખતે તમારે આને ધ્યાનમાં લેવાની જરૂર છે.

અમારા ઉદાહરણમાં, ક્રિયાઓ કાં તો નિશ્ચિત સ્થિર મૂલ્ય અથવા બે નિશ્ચિત મૂલ્યોમાંથી એક આપે છે. વધુ વાસ્તવિક સિસ્ટમ મૂલ્યોની સતત શ્રેણીમાંથી અંદાજ પરત કરશે. ઉદાહરણ તરીકે, જો એજન્ટનું સ્વાસ્થ્ય ઓછું હોય તો ફ્લેઇંગ એક્શન ઉચ્ચ ઉપયોગિતા મૂલ્યો આપે છે, અને જો દુશ્મન ખૂબ મજબૂત હોય તો હુમલો કરવાની ક્રિયા ઓછી ઉપયોગિતા મૂલ્યો આપે છે. આને કારણે, ભાગી જવાની ક્રિયા કોઈપણ પરિસ્થિતિમાં હુમલો કરવા પર અગ્રતા ધરાવે છે જ્યાં એજન્ટને લાગે છે કે તેની પાસે દુશ્મનને હરાવવા માટે પૂરતી તંદુરસ્તી નથી. આ કોઈપણ સંખ્યાના માપદંડોના આધારે ક્રિયાઓને પ્રાધાન્ય આપવા માટે પરવાનગી આપે છે, આ અભિગમને વર્તન વૃક્ષ અથવા FSM કરતાં વધુ લવચીક અને પરિવર્તનશીલ બનાવે છે.

દરેક ક્રિયામાં પ્રોગ્રામની ગણતરી માટે ઘણી શરતો હોય છે. તેઓ સ્ક્રિપ્ટીંગ ભાષામાં અથવા ગાણિતિક સૂત્રોની શ્રેણી તરીકે લખી શકાય છે. સિમ્સ, જે પાત્રની દિનચર્યાનું અનુકરણ કરે છે, તે ગણતરીના વધારાના સ્તરને ઉમેરે છે - એજન્ટને "પ્રેરણા" ની શ્રેણી મળે છે જે ઉપયોગિતા રેટિંગ્સને પ્રભાવિત કરે છે. જો કોઈ પાત્ર ભૂખ્યું હોય, તો તે સમય જતાં વધુ ભૂખ્યા થઈ જશે, અને પાત્ર તે કરે ત્યાં સુધી EatFood ક્રિયાની ઉપયોગિતા મૂલ્ય વધશે, ભૂખનું સ્તર ઘટાડશે અને EatFood મૂલ્ય શૂન્ય પર પાછું આવશે.

રેટિંગ સિસ્ટમ પર આધારિત ક્રિયાઓ પસંદ કરવાનો વિચાર એકદમ સરળ છે, તેથી ઉપયોગિતા-આધારિત સિસ્ટમનો ઉપયોગ AI નિર્ણય લેવાની પ્રક્રિયાના ભાગ રૂપે થઈ શકે છે, તેના બદલે સંપૂર્ણ રિપ્લેસમેન્ટ તરીકે. નિર્ણય વૃક્ષ બે ચાઇલ્ડ નોડ્સના ઉપયોગિતા રેટિંગ માટે પૂછી શકે છે અને ઉચ્ચ એક પસંદ કરી શકે છે. તેવી જ રીતે, વર્તણૂક વૃક્ષમાં કયું બાળક ચલાવવું તે નક્કી કરવા માટે ક્રિયાઓની ઉપયોગિતાનું મૂલ્યાંકન કરવા માટે સંયુક્ત ઉપયોગિતા નોડ હોઈ શકે છે.

ચળવળ અને નેવિગેશન

અગાઉના ઉદાહરણોમાં, અમારી પાસે એક પ્લેટફોર્મ હતું કે જેને અમે ડાબે અથવા જમણે ખસેડીએ છીએ, અને એક રક્ષક જે પેટ્રોલિંગ કરે છે અથવા હુમલો કરે છે. પરંતુ અમે ચોક્કસ સમયગાળા દરમિયાન એજન્ટની હિલચાલને કેવી રીતે હેન્ડલ કરીએ છીએ? આપણે ગતિ કેવી રીતે સેટ કરીએ છીએ, અવરોધોને કેવી રીતે ટાળીએ છીએ અને જ્યારે કોઈ ગંતવ્ય પર પહોંચવું એ સીધી લીટીમાં આગળ વધવા કરતાં વધુ મુશ્કેલ હોય ત્યારે આપણે કેવી રીતે માર્ગની યોજના બનાવી શકીએ? ચાલો આ જોઈએ.

મેનેજમેન્ટ

પ્રારંભિક તબક્કે, અમે ધારીશું કે દરેક એજન્ટની ગતિ મૂલ્ય છે, જેમાં તે કેટલી ઝડપથી અને કઈ દિશામાં આગળ વધી રહ્યું છે તેનો સમાવેશ થાય છે. તે મીટર પ્રતિ સેકન્ડ, કિલોમીટર પ્રતિ કલાક, પિક્સેલ્સ પ્રતિ સેકન્ડ વગેરેમાં માપી શકાય છે. સેન્સ/થિંક/એક્ટ લૂપને યાદ કરીને, આપણે કલ્પના કરી શકીએ છીએ કે થિંક ભાગ ગતિ પસંદ કરે છે, અને એક્ટ ભાગ તે ઝડપને એજન્ટને લાગુ કરે છે. સામાન્ય રીતે રમતોમાં ભૌતિકશાસ્ત્રની સિસ્ટમ હોય છે જે તમારા માટે આ કાર્ય કરે છે, દરેક ઑબ્જેક્ટની ગતિ મૂલ્ય શીખે છે અને તેને સમાયોજિત કરે છે. તેથી, તમે AI ને એક કાર્ય સાથે છોડી શકો છો - એજન્ટની ઝડપ કેટલી હોવી જોઈએ તે નક્કી કરવા માટે. જો તમે જાણતા હોવ કે એજન્ટ ક્યાં હોવો જોઈએ, તો તમારે તેને સેટ ગતિએ યોગ્ય દિશામાં ખસેડવાની જરૂર છે. એક ખૂબ જ તુચ્છ સમીકરણ:

desired_travel = ગંતવ્ય_સ્થિતિ – એજન્ટ_સ્થિતિ

2D વિશ્વની કલ્પના કરો. એજન્ટ પોઈન્ટ (-2,-2) પર છે, ગંતવ્ય પોઈન્ટ (30, 20) પર ઉત્તરપૂર્વમાં ક્યાંક છે, અને એજન્ટને ત્યાં પહોંચવા માટે જરૂરી રસ્તો (32, 22) છે. ચાલો કહીએ કે આ સ્થિતિઓ મીટરમાં માપવામાં આવે છે - જો આપણે એજન્ટની ગતિને 5 મીટર પ્રતિ સેકન્ડમાં લઈએ, તો અમે અમારા વિસ્થાપન વેક્ટરને માપીશું અને આશરે (4.12, 2.83) ની ઝડપ મેળવીશું. આ પરિમાણો સાથે, એજન્ટ લગભગ 8 સેકન્ડમાં તેના ગંતવ્ય પર પહોંચશે.

તમે કોઈપણ સમયે મૂલ્યોની પુનઃગણતરી કરી શકો છો. જો એજન્ટ લક્ષ્ય સુધી અડધો હતો, તો હિલચાલની લંબાઈ અડધી હશે, પરંતુ એજન્ટની મહત્તમ ઝડપ 5 m/s છે (આપણે ઉપર નક્કી કર્યું છે), ઝડપ સમાન હશે. આ લક્ષ્યોને ખસેડવા માટે પણ કામ કરે છે, એજન્ટને તેઓ ખસેડવાની સાથે નાના ફેરફારો કરવાની મંજૂરી આપે છે.

પરંતુ અમે વધુ વૈવિધ્ય ઇચ્છીએ છીએ - ઉદાહરણ તરીકે, સ્ટેન્ડિંગથી રનિંગ તરફ જતા પાત્રનું અનુકરણ કરવા માટે ધીમે ધીમે ગતિ વધારવી. બંધ કરતા પહેલા તે જ અંતમાં કરી શકાય છે. આ લક્ષણોને સ્ટીયરિંગ વર્તણૂક તરીકે ઓળખવામાં આવે છે, જેમાંના દરેકના ચોક્કસ નામો છે: સીક, ફ્લી, અરાઇવલ, વગેરે. વિચાર એ છે કે એજન્ટની સ્થિતિ અને વર્તમાન ગતિની ગંતવ્ય સાથે સરખામણી કરવાના આધારે પ્રવેગક દળોને એજન્ટની ગતિ પર લાગુ કરી શકાય છે. ધ્યેય તરફ જવાની વિવિધ પદ્ધતિઓનો ઉપયોગ કરવા માટે.

દરેક વર્તનનો હેતુ થોડો અલગ હોય છે. શોધ અને આગમન એ એજન્ટને ગંતવ્ય સ્થાન પર લઈ જવાની રીતો છે. અવરોધ ટાળવા અને અલગતા ધ્યેયના માર્ગમાં અવરોધોને ટાળવા માટે એજન્ટની હિલચાલને સમાયોજિત કરે છે. સંરેખણ અને સુસંગતતા એજન્ટોને એકસાથે આગળ વધતા રાખે છે. તમામ પરિબળોને ધ્યાનમાં લઈને સિંગલ પાથ વેક્ટર બનાવવા માટે વિવિધ સ્ટીયરિંગ વર્તણૂકોની કોઈપણ સંખ્યાનો સરવાળો કરી શકાય છે. એક એજન્ટ કે જે દિવાલો અને અન્ય એજન્ટોથી દૂર રહેવા માટે આગમન, અલગતા અને અવરોધ ટાળવાના વર્તનનો ઉપયોગ કરે છે. આ અભિગમ બિનજરૂરી વિગતો વિના ખુલ્લા સ્થળોએ સારી રીતે કાર્ય કરે છે.

વધુ મુશ્કેલ પરિસ્થિતિઓમાં, વિવિધ વર્તણૂકોનો ઉમેરો વધુ ખરાબ કામ કરે છે - ઉદાહરણ તરીકે, આગમન અને અવરોધ ટાળવા વચ્ચેના સંઘર્ષને કારણે એજન્ટ દિવાલમાં અટવાઈ શકે છે. તેથી, તમારે એવા વિકલ્પોને ધ્યાનમાં લેવાની જરૂર છે જે ફક્ત તમામ મૂલ્યો ઉમેરવા કરતાં વધુ જટિલ છે. રસ્તો આ છે: દરેક વર્તણૂકના પરિણામો ઉમેરવાને બદલે, તમે જુદી જુદી દિશામાં હિલચાલને ધ્યાનમાં લઈ શકો છો અને શ્રેષ્ઠ વિકલ્પ પસંદ કરી શકો છો.

જો કે, મૃત અંત અને કયા માર્ગ પર જવું તે અંગેની પસંદગીઓ સાથેના જટિલ વાતાવરણમાં, અમને કંઈક વધુ અદ્યતનની જરૂર પડશે.

રસ્તો શોધવો

ખુલ્લા વિસ્તારમાં (ફૂટબોલનું મેદાન અથવા મેદાન) સરળ હિલચાલ માટે સ્ટીયરિંગ વર્તણૂકો ઉત્તમ છે જ્યાં A થી B સુધી જવું એ અવરોધોની આસપાસ માત્ર નાના ચકરાવો સાથેનો સીધો રસ્તો છે. જટિલ માર્ગો માટે, અમને પાથફાઇન્ડિંગની જરૂર છે, જે વિશ્વની શોધખોળ અને તેના દ્વારા માર્ગ નક્કી કરવાનો એક માર્ગ છે.

સૌથી સરળ એ છે કે એજન્ટની બાજુમાં દરેક સ્ક્વેર પર ગ્રીડ લગાવો અને તેમાંથી કયાને ખસેડવાની મંજૂરી છે તેનું મૂલ્યાંકન કરવું. જો તેમાંથી એક ગંતવ્ય છે, તો પછી તમે શરૂઆતમાં પહોંચો ત્યાં સુધી દરેક ચોરસથી પાછલા એક સુધીના માર્ગને અનુસરો. આ માર્ગ છે. નહિંતર, જ્યાં સુધી તમને તમારું ગંતવ્ય ન મળે અથવા તમે ચોરસ સમાપ્ત ન કરો ત્યાં સુધી નજીકના અન્ય ચોરસ સાથે પ્રક્રિયાને પુનરાવર્તિત કરો (એટલે ​​કે ત્યાં કોઈ સંભવિત માર્ગ નથી). આ તે છે જેને ઔપચારિક રીતે બ્રેડથ-ફર્સ્ટ સર્ચ અથવા BFS (બ્રેડ્થ-ફર્સ્ટ સર્ચ અલ્ગોરિધમ) તરીકે ઓળખવામાં આવે છે. દરેક પગલા પર તે બધી દિશામાં જુએ છે (તેથી પહોળાઈ, "પહોળાઈ"). સર્ચ સ્પેસ એ વેવફ્રન્ટ જેવી છે જે ઇચ્છિત સ્થાન સુધી પહોંચે ત્યાં સુધી આગળ વધે છે - જ્યાં સુધી અંતિમ બિંદુનો સમાવેશ ન થાય ત્યાં સુધી શોધ જગ્યા દરેક પગલા પર વિસ્તરે છે, જે પછી તેને શરૂઆત સુધી શોધી શકાય છે.

પરિણામે, તમને ચોરસની સૂચિ પ્રાપ્ત થશે જેની સાથે ઇચ્છિત માર્ગ સંકલિત કરવામાં આવ્યો છે. આ પાથ છે (તેથી, પાથફાઇન્ડિંગ) - ગંતવ્યને અનુસરતી વખતે એજન્ટ મુલાકાત લેશે તે સ્થાનોની સૂચિ.

આપેલ છે કે આપણે વિશ્વના દરેક ચોરસની સ્થિતિ જાણીએ છીએ, અમે પાથ સાથે આગળ વધવા માટે સ્ટીયરિંગ વર્તણૂકોનો ઉપયોગ કરી શકીએ છીએ - નોડ 1 થી નોડ 2, પછી નોડ 2 થી નોડ 3 અને તેથી વધુ. સૌથી સરળ વિકલ્પ એ છે કે આગલા ચોરસના કેન્દ્ર તરફ જવાનું, પરંતુ તેનાથી પણ વધુ સારો વિકલ્પ એ છે કે વર્તમાન ચોરસ અને આગળના ચોરસ વચ્ચેની ધારની મધ્યમાં રોકાઈ જવું. આને કારણે, એજન્ટ તીક્ષ્ણ વળાંક પર ખૂણાઓ કાપી શકશે.

BFS અલ્ગોરિધમના ગેરફાયદા પણ છે - તે "ખોટી" દિશામાં જેટલા ચોરસને "જમણી" દિશામાં શોધે છે. આ તે છે જ્યાં A* (એ સ્ટાર) નામનું વધુ જટિલ અલ્ગોરિધમ અમલમાં આવે છે. તે એ જ રીતે કામ કરે છે, પરંતુ પડોશી ચોરસ (પછી પડોશીઓના પડોશીઓ, પછી પડોશીઓના પડોશીઓના પડોશીઓ, અને તેથી વધુ) ને આંધળી રીતે તપાસવાને બદલે, તે ગાંઠોને સૂચિમાં એકત્રિત કરે છે અને તેમને સૉર્ટ કરે છે જેથી તપાસવામાં આવેલ આગળનો નોડ હંમેશા હોય. એક જે ટૂંકા માર્ગ તરફ દોરી જાય છે. ગાંઠો એક હ્યુરિસ્ટિકના આધારે સૉર્ટ કરવામાં આવે છે જે બે બાબતોને ધ્યાનમાં લે છે - ઇચ્છિત ચોરસ (કોઈપણ મુસાફરી ખર્ચ સહિત) સુધીના અનુમાનિત માર્ગની "કિંમત" અને તે ચોરસ ગંતવ્ય સ્થાનથી કેટલો દૂર છે તેનો અંદાજ (માં શોધને પૂર્વગ્રહ કરીને) સાચી દિશા).

આ ઉદાહરણ બતાવે છે કે એજન્ટ એક સમયે એક ચોરસની શોધ કરે છે, દરેક વખતે સૌથી વધુ આશાસ્પદ હોય તે બાજુના ચોરસને પસંદ કરે છે. પરિણામી માર્ગ BFS જેવો જ છે, પરંતુ પ્રક્રિયામાં ઓછા ચોરસ ગણવામાં આવ્યા હતા - જે રમતના પ્રદર્શન પર મોટી અસર કરે છે.

ગ્રીડ વિના ચળવળ

પરંતુ મોટાભાગની રમતો ગ્રીડ પર મૂકવામાં આવતી નથી, અને વાસ્તવવાદને બલિદાન આપ્યા વિના આવું કરવું ઘણીવાર અશક્ય છે. સમાધાન જરૂરી છે. ચોરસનું કદ શું હોવું જોઈએ? ખૂબ મોટા અને તેઓ નાના કોરિડોર અથવા વળાંકને યોગ્ય રીતે રજૂ કરી શકશે નહીં, ખૂબ નાના અને શોધવા માટે ઘણા બધા ચોરસ હશે, જે આખરે ઘણો સમય લેશે.

સમજવા માટેની પ્રથમ વસ્તુ એ છે કે મેશ આપણને કનેક્ટેડ નોડ્સનો ગ્રાફ આપે છે. A* અને BFS અલ્ગોરિધમ્સ વાસ્તવમાં ગ્રાફ પર કામ કરે છે અને અમારા મેશની બિલકુલ પરવા કરતા નથી. અમે રમતની દુનિયામાં ગમે ત્યાં નોડ્સ મૂકી શકીએ છીએ: જ્યાં સુધી કોઈપણ બે કનેક્ટેડ નોડ્સ, તેમજ શરૂઆત અને અંતિમ બિંદુઓ અને ઓછામાં ઓછા એક નોડ્સ વચ્ચે જોડાણ હોય ત્યાં સુધી, અલ્ગોરિધમ પહેલાની જેમ જ કાર્ય કરશે. આને ઘણીવાર વેપોઇન્ટ સિસ્ટમ કહેવામાં આવે છે, કારણ કે દરેક નોડ વિશ્વમાં એક મહત્વપૂર્ણ સ્થાનનું પ્રતિનિધિત્વ કરે છે જે કોઈપણ સંખ્યાના અનુમાનિત પાથનો ભાગ હોઈ શકે છે.

ઉદાહરણ 1: દરેક ચોરસમાં એક ગાંઠ. શોધ નોડથી શરૂ થાય છે જ્યાં એજન્ટ સ્થિત છે અને ઇચ્છિત ચોરસના નોડ પર સમાપ્ત થાય છે.

ઉદાહરણ 2: નોડ્સનો નાનો સમૂહ (વેપોઇન્ટ્સ). શોધ એજન્ટના ચોરસથી શરૂ થાય છે, જરૂરી સંખ્યામાં નોડ્સમાંથી પસાર થાય છે, અને પછી ગંતવ્ય સુધી ચાલુ રહે છે.

આ એક સંપૂર્ણપણે લવચીક અને શક્તિશાળી સિસ્ટમ છે. પરંતુ વેપોઇન્ટ ક્યાં અને કેવી રીતે મૂકવું તે નક્કી કરવામાં થોડી કાળજી લેવી જરૂરી છે, અન્યથા એજન્ટો કદાચ નજીકના બિંદુને જોઈ શકશે નહીં અને રસ્તો શરૂ કરી શકશે નહીં. જો આપણે વિશ્વની ભૂમિતિના આધારે વેપોઇન્ટ્સ આપમેળે મૂકી શકીએ તો તે સરળ રહેશે.

આ તે છે જ્યાં નેવિગેશન મેશ અથવા નવમેશ (નેવિગેશન મેશ) દેખાય છે. આ સામાન્ય રીતે ત્રિકોણનો 2D જાળીદાર હોય છે જે વિશ્વની ભૂમિતિ પર ઢંકાયેલો હોય છે - જ્યાં પણ એજન્ટને ચાલવાની મંજૂરી હોય. જાળીમાંના દરેક ત્રિકોણ ગ્રાફમાં એક નોડ બની જાય છે અને તેમાં ત્રણ જેટલા અડીને ત્રિકોણ હોય છે જે ગ્રાફમાં અડીને આવેલા ગાંઠો બને છે.

આ ચિત્ર યુનિટી એન્જિનનું ઉદાહરણ છે - તેણે વિશ્વની ભૂમિતિનું વિશ્લેષણ કર્યું અને નવમેશ બનાવ્યું (આછા વાદળી રંગના સ્ક્રીનશોટમાં). નવમેશમાં દરેક બહુકોણ એક એવો વિસ્તાર છે જ્યાં એજન્ટ ઊભા થઈ શકે છે અથવા એક બહુકોણમાંથી બીજા બહુકોણમાં જઈ શકે છે. આ ઉદાહરણમાં, બહુકોણ તે માળ કરતાં નાના છે કે જેના પર તેઓ સ્થિત છે - આ એજન્ટના કદને ધ્યાનમાં લેવા માટે કરવામાં આવે છે, જે તેની નજીવી સ્થિતિથી આગળ વધશે.

અમે ફરીથી A* અલ્ગોરિધમનો ઉપયોગ કરીને આ મેશ દ્વારા માર્ગ શોધી શકીએ છીએ. આ આપણને વિશ્વમાં લગભગ સંપૂર્ણ માર્ગ આપશે, જે તમામ ભૂમિતિને ધ્યાનમાં લે છે અને બિનજરૂરી ગાંઠો અને વેપોઇન્ટ બનાવવાની જરૂર નથી.

પાથફાઇન્ડિંગ એ ખૂબ વ્યાપક વિષય છે જેના માટે લેખનો એક વિભાગ પૂરતો નથી. જો તમે તેનો વધુ વિગતવાર અભ્યાસ કરવા માંગતા હો, તો આ મદદ કરશે અમિત પટેલ વેબસાઇટ.

આયોજન

અમે પાથફાઇન્ડિંગ સાથે શીખ્યા છીએ કે કેટલીકવાર ફક્ત દિશા પસંદ કરવા અને ખસેડવા માટે પૂરતું નથી - અમારે અમારા ઇચ્છિત ગંતવ્ય પર જવા માટે એક માર્ગ પસંદ કરવો પડશે અને થોડા વળાંકો લેવા પડશે. અમે આ વિચારનું સામાન્યીકરણ કરી શકીએ છીએ: લક્ષ્ય હાંસલ કરવું એ માત્ર આગળનું પગલું નથી, પરંતુ એક સંપૂર્ણ ક્રમ છે જ્યાં કેટલીકવાર તમારે પ્રથમ શું હોવું જોઈએ તે શોધવા માટે ઘણા પગલાઓ આગળ જોવાની જરૂર છે. આને આયોજન કહેવાય. પાથફાઇન્ડિંગને આયોજનના અનેક વિસ્તરણોમાંના એક તરીકે વિચારી શકાય છે. અમારા સંવેદના/વિચાર/અધિનિયમ ચક્રના સંદર્ભમાં, આ તે છે જ્યાં થિંક ભાગ ભવિષ્ય માટે એકથી વધુ એક્ટના ભાગોનું આયોજન કરે છે.

ચાલો બોર્ડ ગેમ મેજિક: ધ ગેધરીંગનું ઉદાહરણ જોઈએ. અમે અમારા હાથમાં નીચેના કાર્ડના સેટ સાથે પહેલા જઈએ છીએ:

• સ્વેમ્પ - 1 કાળો માના (લેન્ડ કાર્ડ) આપે છે.
• વન - 1 લીલો માના (લેન્ડ કાર્ડ) આપે છે.
• ફ્યુજિટિવ વિઝાર્ડ - બોલાવવા માટે 1 વાદળી માના જરૂરી છે.
• એલ્વિશ મિસ્ટિક - બોલાવવા માટે 1 લીલા માના જરૂરી છે.

અમે તેને સરળ બનાવવા માટે બાકીના ત્રણ કાર્ડને અવગણીએ છીએ. નિયમો અનુસાર, ખેલાડીને વળાંક દીઠ 1 લેન્ડ કાર્ડ રમવાની મંજૂરી છે, તે આ કાર્ડમાંથી માના કાઢવા માટે "ટેપ" કરી શકે છે, અને પછી મનની માત્રા અનુસાર જોડણી (પ્રાણીને બોલાવવા સહિત) કાસ્ટ કરી શકે છે. આ પરિસ્થિતિમાં, માનવ ખેલાડી ફોરેસ્ટ રમવાનું જાણે છે, 1 લીલા માના ટેપ કરે છે અને પછી એલ્વિશ મિસ્ટિકને બોલાવે છે. પરંતુ રમત AI આ કેવી રીતે શોધી શકે છે?

સરળ આયોજન

તુચ્છ અભિગમ એ દરેક ક્રિયાને બદલામાં અજમાવવાનો છે જ્યાં સુધી ત્યાં કોઈ યોગ્ય ન હોય ત્યાં સુધી. કાર્ડ્સ જોઈને, AI જુએ છે કે સ્વેમ્પ શું રમી શકે છે. અને તે રમે છે. શું આ વળાંક બાકી કોઈ અન્ય ક્રિયાઓ છે? તે એલ્વિશ મિસ્ટિક અથવા ફ્યુજિટિવ વિઝાર્ડને બોલાવી શકતું નથી, કારણ કે તેમને બોલાવવા માટે અનુક્રમે લીલા અને વાદળી માના જરૂરી છે, જ્યારે સ્વેમ્પ ફક્ત કાળો માના પ્રદાન કરે છે. અને તે હવે ફોરેસ્ટ રમી શકશે નહીં, કારણ કે તે પહેલેથી જ સ્વેમ્પ રમી ચૂક્યો છે. આમ, રમત AI એ નિયમોનું પાલન કર્યું, પરંતુ તે ખરાબ રીતે કર્યું. સુધારી શકાય છે.

આયોજન એ ક્રિયાઓની સૂચિ શોધી શકે છે જે રમતને ઇચ્છિત સ્થિતિમાં લાવે છે. જેમ પાથ પરના દરેક ચોરસમાં પડોશીઓ હોય છે (પાથફાઇન્ડિંગમાં), પ્લાનની દરેક ક્રિયામાં પણ પડોશીઓ અથવા અનુગામીઓ હોય છે. જ્યાં સુધી આપણે ઇચ્છિત સ્થિતિમાં ન પહોંચીએ ત્યાં સુધી અમે આ ક્રિયાઓ અને અનુગામી ક્રિયાઓ શોધી શકીએ છીએ.

અમારા ઉદાહરણમાં, ઇચ્છિત પરિણામ "જો શક્ય હોય તો પ્રાણીને બોલાવો." વળાંકની શરૂઆતમાં, અમે રમતના નિયમો દ્વારા માન્ય માત્ર બે સંભવિત ક્રિયાઓ જોઈએ છીએ:

1. સ્વેમ્પ રમો (પરિણામ: રમતમાં સ્વેમ્પ)
2. ફોરેસ્ટ રમો (પરિણામ: રમતમાં વન)

લીધેલી દરેક ક્રિયા આગળની ક્રિયાઓ તરફ દોરી શકે છે અને ફરીથી રમતના નિયમોના આધારે અન્યને બંધ કરી શકે છે. કલ્પના કરો કે અમે સ્વેમ્પ રમ્યા છે - આ આગલા પગલા તરીકે સ્વેમ્પને દૂર કરશે (અમે તેને પહેલેથી જ રમી લીધું છે), અને આ ફોરેસ્ટને પણ દૂર કરશે (કારણ કે નિયમો અનુસાર તમે વળાંક દીઠ એક લેન્ડ કાર્ડ રમી શકો છો). આ પછી, AI આગળના પગલા તરીકે 1 કાળો માના મેળવવાનું ઉમેરે છે કારણ કે ત્યાં અન્ય કોઈ વિકલ્પો નથી. જો તે આગળ વધે છે અને ટેપ ધ સ્વેમ્પ પસંદ કરે છે, તો તેને 1 યુનિટ કાળા માણા પ્રાપ્ત થશે અને તે તેની સાથે કંઈપણ કરી શકશે નહીં.

1. સ્વેમ્પ રમો (પરિણામ: રમતમાં સ્વેમ્પ)
1.1 “ટેપ” સ્વેમ્પ (પરિણામ: સ્વેમ્પ “ટેપ”, કાળા માના +1 એકમ)
કોઈ ક્રિયાઓ ઉપલબ્ધ નથી - END
2. ફોરેસ્ટ રમો (પરિણામ: રમતમાં વન)

ક્રિયાઓની સૂચિ ટૂંકી હતી, અમે અંતિમ અંત સુધી પહોંચ્યા. અમે આગલા પગલા માટે પ્રક્રિયાને પુનરાવર્તિત કરીએ છીએ. અમે ફોરેસ્ટ રમીએ છીએ, "ગેટ 1 ગ્રીન માના" એક્શન ખોલો, જે બદલામાં ત્રીજી ક્રિયા ખોલશે - એલ્વિશ મિસ્ટિકને બોલાવો.

1. સ્વેમ્પ રમો (પરિણામ: રમતમાં સ્વેમ્પ)
1.1 “ટેપ” સ્વેમ્પ (પરિણામ: સ્વેમ્પ “ટેપ”, કાળા માના +1 એકમ)
કોઈ ક્રિયાઓ ઉપલબ્ધ નથી - END
2. ફોરેસ્ટ રમો (પરિણામ: રમતમાં વન)
2.1 “ટેપ” ફોરેસ્ટ (પરિણામ: જંગલ “ટેપ” છે, લીલા માના +1 એકમ)
2.1.1 એલ્વિશ મિસ્ટિકને બોલાવો (પરિણામ: નાટકમાં એલ્વિશ મિસ્ટિક, -1 લીલા મન)
કોઈ ક્રિયાઓ ઉપલબ્ધ નથી - END

અંતે, અમે તમામ સંભવિત ક્રિયાઓનું અન્વેષણ કર્યું અને એક યોજના શોધી કાઢી જે એક પ્રાણીને બોલાવે છે.

આ એક ખૂબ જ સરળ ઉદાહરણ છે. અમુક માપદંડોને પૂર્ણ કરતી કોઈપણ યોજનાને બદલે શ્રેષ્ઠ સંભવિત યોજના પસંદ કરવાની સલાહ આપવામાં આવે છે. સામાન્ય રીતે સંભવિત યોજનાઓનું મૂલ્યાંકન તેમના અમલીકરણના પરિણામ અથવા એકંદર લાભના આધારે શક્ય છે. તમે લેન્ડ કાર્ડ રમવા માટે 1 પોઈન્ટ અને કોઈ પ્રાણીને બોલાવવા માટે 3 પોઈન્ટ મેળવી શકો છો. સ્વેમ્પ રમવું એ 1 પોઈન્ટ પ્લાન હશે. અને ફોરેસ્ટ → ટેપ ધ ફોરેસ્ટ → સમન એલ્વિશ મિસ્ટિક વગાડો તરત જ 4 પોઈન્ટ આપશે.

મેજિક: ધ ગેધરિંગમાં આયોજન આ રીતે કામ કરે છે, પરંતુ આ જ તર્ક અન્ય પરિસ્થિતિઓમાં લાગુ પડે છે. ઉદાહરણ તરીકે, બિશપને ચેસમાં આગળ વધવા માટે જગ્યા બનાવવા માટે પ્યાદાને ખસેડવું. અથવા આ રીતે XCOM માં સુરક્ષિત રીતે શૂટ કરવા માટે દિવાલ પાછળ કવર લો. સામાન્ય રીતે, તમને વિચાર આવે છે.

સુધરેલું આયોજન

કેટલીકવાર દરેક સંભવિત વિકલ્પને ધ્યાનમાં લેવા માટે ઘણી બધી સંભવિત ક્રિયાઓ હોય છે. મેજિક સાથેના ઉદાહરણ પર પાછા ફરવું: ધ ગેધરિંગ: ચાલો કહીએ કે રમતમાં અને તમારા હાથમાં ઘણા જમીન અને પ્રાણી કાર્ડ્સ છે - ચાલના સંભવિત સંયોજનોની સંખ્યા ડઝનેકમાં હોઈ શકે છે. સમસ્યાના ઘણા ઉકેલો છે.

પ્રથમ પદ્ધતિ પાછળની સાંકળ છે. બધા સંયોજનોનો પ્રયાસ કરવાને બદલે, અંતિમ પરિણામથી પ્રારંભ કરવું અને સીધો માર્ગ શોધવાનો પ્રયાસ કરવો વધુ સારું છે. ઝાડના મૂળમાંથી કોઈ ચોક્કસ પાન પર જવાને બદલે, આપણે વિરુદ્ધ દિશામાં - પાનથી મૂળ તરફ જઈએ છીએ. આ પદ્ધતિ સરળ અને ઝડપી છે.

જો દુશ્મન પાસે 1 આરોગ્ય છે, તો તમે "ડીલ 1 અથવા વધુ નુકસાન" યોજના શોધી શકો છો. આ હાંસલ કરવા માટે, સંખ્યાબંધ શરતો પૂરી કરવી આવશ્યક છે:

1. જોડણી દ્વારા નુકસાન થઈ શકે છે - તે હાથમાં હોવું આવશ્યક છે.
2. જોડણી કરવા માટે, તમારે મનની જરૂર છે.
3. માના મેળવવા માટે, તમારે લેન્ડ કાર્ડ રમવાની જરૂર છે.
4. લેન્ડ કાર્ડ રમવા માટે, તમારે તે તમારા હાથમાં હોવું જરૂરી છે.

બીજી રીત શ્રેષ્ઠ-પ્રથમ શોધ છે. બધા રસ્તાઓ અજમાવવાને બદલે, અમે સૌથી યોગ્ય રસ્તો પસંદ કરીએ છીએ. મોટેભાગે, આ પદ્ધતિ બિનજરૂરી શોધ ખર્ચ વિના શ્રેષ્ઠ યોજના આપે છે. A* એ શ્રેષ્ઠ પ્રથમ શોધનું એક સ્વરૂપ છે - શરૂઆતથી સૌથી વધુ આશાસ્પદ માર્ગોની તપાસ કરીને, તે અન્ય વિકલ્પો તપાસ્યા વિના પહેલેથી જ શ્રેષ્ઠ માર્ગ શોધી શકે છે.

એક રસપ્રદ અને વધુને વધુ લોકપ્રિય શ્રેષ્ઠ-પ્રથમ શોધ વિકલ્પ મોન્ટે કાર્લો ટ્રી સર્ચ છે. દરેક અનુગામી ક્રિયા પસંદ કરતી વખતે કઈ યોજનાઓ અન્ય કરતા વધુ સારી છે તે અનુમાન કરવાને બદલે, અલ્ગોરિધમ અંત સુધી પહોંચે ત્યાં સુધી દરેક પગલા પર રેન્ડમ અનુગામીઓ પસંદ કરે છે (જ્યારે યોજના વિજય અથવા હારમાં પરિણમી હતી). પછી અંતિમ પરિણામનો ઉપયોગ અગાઉના વિકલ્પોના વજનને વધારવા અથવા ઘટાડવા માટે થાય છે. આ પ્રક્રિયાને એક પંક્તિમાં ઘણી વખત પુનરાવર્તિત કરીને, અલ્ગોરિધમ એક સારો અંદાજ આપે છે કે પછીની શ્રેષ્ઠ ચાલ શું છે, પછી ભલે પરિસ્થિતિ બદલાય (જો દુશ્મન ખેલાડી સાથે દખલ કરવા માટે પગલાં લે છે).

ધ્યેય-ઓરિએન્ટેડ એક્શન પ્લાનિંગ અથવા GOAP (ગોલ-ઓરિએન્ટેડ એક્શન પ્લાનિંગ) વિના રમતોમાં આયોજન વિશેની કોઈ વાર્તા પૂર્ણ થશે નહીં. આ એક વ્યાપકપણે ઉપયોગમાં લેવાતી અને ચર્ચાતી પદ્ધતિ છે, પરંતુ કેટલીક વિશિષ્ટ વિગતો સિવાય, તે અનિવાર્યપણે પાછળની સાંકળની પદ્ધતિ છે જેના વિશે આપણે અગાઉ વાત કરી હતી. જો ઉદ્દેશ્ય "ખેલાડીનો નાશ" કરવાનો હતો અને ખેલાડી કવરની પાછળ હોય, તો યોજના આ હોઈ શકે છે: ગ્રેનેડ વડે નાશ કરો → મેળવો → ફેંકો.

સામાન્ય રીતે ઘણા ધ્યેયો હોય છે, દરેકની પોતાની પ્રાથમિકતા હોય છે. જો સર્વોચ્ચ પ્રાધાન્યતા ઉદ્દેશ્ય પૂર્ણ ન થઈ શકે (ક્રિયાઓનું કોઈ સંયોજન "ખેલાડીને મારી નાખો" યોજના બનાવતું નથી કારણ કે ખેલાડી દેખાતો નથી), તો AI નીચલા અગ્રતાના ઉદ્દેશ્યો પર પાછા આવશે.

તાલીમ અને અનુકૂલન

અમે પહેલેથી જ કહ્યું છે કે ગેમ AI સામાન્ય રીતે મશીન લર્નિંગનો ઉપયોગ કરતી નથી કારણ કે તે વાસ્તવિક સમયમાં એજન્ટોનું સંચાલન કરવા માટે યોગ્ય નથી. પરંતુ આનો અર્થ એ નથી કે તમે આ વિસ્તારમાંથી કંઈક ઉધાર લઈ શકતા નથી. અમને શૂટરમાં એવો પ્રતિસ્પર્ધી જોઈએ છે જેની પાસેથી આપણે કંઈક શીખી શકીએ. ઉદાહરણ તરીકે, નકશા પર શ્રેષ્ઠ સ્થાનો વિશે શોધો. અથવા લડાઈની રમતમાં પ્રતિસ્પર્ધી જે ખેલાડીના વારંવાર ઉપયોગમાં લેવાતા કોમ્બો મૂવ્સને અવરોધે છે, જે તેને અન્યનો ઉપયોગ કરવા પ્રેરિત કરે છે. તેથી આવી પરિસ્થિતિઓમાં મશીન લર્નિંગ ખૂબ ઉપયોગી થઈ શકે છે.

આંકડા અને સંભાવનાઓ

જટિલ ઉદાહરણોમાં પ્રવેશતા પહેલા, ચાલો જોઈએ કે થોડા સરળ માપન લઈને અને નિર્ણય લેવા માટે તેનો ઉપયોગ કરીને આપણે કેટલા આગળ વધી શકીએ છીએ. ઉદાહરણ તરીકે, રીઅલ-ટાઇમ વ્યૂહરચના - અમે કેવી રીતે નિર્ધારિત કરીશું કે કોઈ ખેલાડી રમતની શરૂઆતની થોડી મિનિટોમાં હુમલો કરી શકે છે કે કેમ અને તેની સામે શું સંરક્ષણ તૈયાર કરવું? ભવિષ્યની પ્રતિક્રિયાઓ શું હોઈ શકે તે સમજવા માટે અમે ખેલાડીના ભૂતકાળના અનુભવોનો અભ્યાસ કરી શકીએ છીએ. શરૂઆતમાં, અમારી પાસે આવો કાચો ડેટા નથી, પરંતુ અમે તેને એકત્રિત કરી શકીએ છીએ - જ્યારે પણ AI માનવ સામે રમે છે, ત્યારે તે પ્રથમ હુમલાનો સમય રેકોર્ડ કરી શકે છે. થોડા સત્રો પછી, અમને ભવિષ્યમાં ખેલાડીને હુમલો કરવામાં જેટલો સમય લાગશે તેની સરેરાશ મળશે.

સરેરાશ મૂલ્યોમાં પણ સમસ્યા છે: જો કોઈ ખેલાડી 20 વખત દોડે છે અને 20 વખત ધીમેથી રમે છે, તો જરૂરી મૂલ્યો મધ્યમાં ક્યાંક હશે, અને આ અમને કંઈપણ ઉપયોગી આપશે નહીં. એક ઉકેલ એ છે કે ઇનપુટ ડેટાને મર્યાદિત કરવો - છેલ્લા 20 ટુકડાઓ ધ્યાનમાં લઈ શકાય છે.

ભવિષ્યમાં ખેલાડીની ભૂતકાળની પસંદગીઓ સમાન હશે તેવું ધારીને અમુક ક્રિયાઓની સંભાવનાનો અંદાજ લગાવતી વખતે સમાન અભિગમનો ઉપયોગ કરવામાં આવે છે. જો કોઈ ખેલાડી પાંચ વખત અગનગોળાથી, બે વખત વીજળી વડે અને એક વખત ઝપાઝપીથી હુમલો કરે, તો તે સ્પષ્ટ છે કે તે ફાયરબોલને પસંદ કરે છે. ચાલો એક્સ્ટ્રાપોલેટ કરીએ અને વિવિધ હથિયારોનો ઉપયોગ કરવાની સંભાવના જોઈએ: ફાયરબોલ=62,5%, લાઈટનિંગ=25% અને ઝપાઝપી=12,5%. અમારી રમત AI એ આગથી પોતાને બચાવવા માટે તૈયાર કરવાની જરૂર છે.

બીજી રસપ્રદ પદ્ધતિ એ છે કે મોટા પ્રમાણમાં ઇનપુટ ડેટાનો અભ્યાસ કરવા અને પરિસ્થિતિનું વર્ગીકરણ કરવા માટે નેવ બેયસ ક્લાસિફાયરનો ઉપયોગ કરવો જેથી AI ઇચ્છિત રીતે પ્રતિક્રિયા આપે. Bayesian ક્લાસિફાયર ઈમેલ સ્પામ ફિલ્ટર્સમાં તેમના ઉપયોગ માટે સૌથી વધુ જાણીતા છે. ત્યાં તેઓ શબ્દોની તપાસ કરે છે, તે શબ્દો પહેલાં ક્યાં દેખાયા છે તેની સાથે સરખામણી કરે છે (સ્પામમાં કે નહીં), અને આવનારા ઇમેઇલ્સ વિશે તારણો દોરે છે. અમે ઓછા ઇનપુટ્સ સાથે પણ તે જ વસ્તુ કરી શકીએ છીએ. AI જુએ છે તે તમામ ઉપયોગી માહિતીના આધારે (જેમ કે કયા દુશ્મન એકમો બનાવવામાં આવ્યા છે, અથવા તેઓ કયા સ્પેલ્સનો ઉપયોગ કરે છે, અથવા તેઓએ કઈ તકનીકો પર સંશોધન કર્યું છે), અને અંતિમ પરિણામ (યુદ્ધ અથવા શાંતિ, ધસારો અથવા બચાવ, વગેરે) - અમે ઇચ્છિત AI વર્તન પસંદ કરીશું.

આ બધી તાલીમ પદ્ધતિઓ પૂરતી છે, પરંતુ પરીક્ષણ ડેટાના આધારે તેનો ઉપયોગ કરવાની સલાહ આપવામાં આવે છે. AI તમારા પ્લેટેસ્ટર્સ દ્વારા ઉપયોગમાં લેવામાં આવતી વિવિધ વ્યૂહરચનાઓ સાથે અનુકૂલન કરવાનું શીખશે. AI જે રિલીઝ પછી પ્લેયરને અનુકૂલન કરે છે તે ખૂબ અનુમાનિત અથવા હરાવવા માટે ખૂબ મુશ્કેલ બની શકે છે.

મૂલ્ય આધારિત અનુકૂલન

અમારી રમત વિશ્વની સામગ્રી અને નિયમોને જોતાં, અમે ફક્ત ઇનપુટ ડેટાનો ઉપયોગ કરવાને બદલે નિર્ણય લેવાને પ્રભાવિત કરતા મૂલ્યોના સમૂહને બદલી શકીએ છીએ. અમે આ કરીએ છીએ:

• એઆઈને રમત દરમિયાન વિશ્વની સ્થિતિ અને મુખ્ય ઘટનાઓ પરનો ડેટા એકત્રિત કરવા દો (ઉપર મુજબ).
• ચાલો આ ડેટાના આધારે કેટલાક મહત્વપૂર્ણ મૂલ્યો બદલીએ.
• અમે આ મૂલ્યોની પ્રક્રિયા અથવા મૂલ્યાંકનના આધારે અમારા નિર્ણયોનો અમલ કરીએ છીએ.

ઉદાહરણ તરીકે, એક એજન્ટ પાસે ફર્સ્ટ-પરસન શૂટર નકશામાંથી પસંદ કરવા માટે ઘણા રૂમ છે. દરેક રૂમનું પોતાનું મૂલ્ય છે, જે નક્કી કરે છે કે તેની મુલાકાત લેવી કેટલી ઇચ્છનીય છે. મૂલ્યના આધારે એઆઈ રેન્ડમલી પસંદ કરે છે કે કયા રૂમમાં જવું છે. એજન્ટ પછી યાદ કરે છે કે તે કયા રૂમમાં માર્યો ગયો હતો અને તેની કિંમત ઘટાડે છે (સંભવિતતા કે તે ત્યાં પાછો આવશે). એ જ રીતે વિપરીત પરિસ્થિતિ માટે - જો એજન્ટ ઘણા વિરોધીઓનો નાશ કરે છે, તો રૂમની કિંમત વધે છે.

માર્કોવ મોડેલ

જો આપણે એકત્રિત ડેટાનો ઉપયોગ આગાહી કરવા માટે કરીએ તો શું? જો આપણે ચોક્કસ સમયગાળા માટે ખેલાડીને જોતા દરેક રૂમને યાદ રાખીએ, તો અમે આગાહી કરીશું કે ખેલાડી કયા રૂમમાં જઈ શકે છે. રૂમ (મૂલ્યો) પર ખેલાડીની હિલચાલને ટ્રેક કરીને અને રેકોર્ડ કરીને, અમે તેમની આગાહી કરી શકીએ છીએ.

ચાલો ત્રણ રૂમ લઈએ: લાલ, લીલો અને વાદળી. અને રમત સત્ર જોતી વખતે અમે રેકોર્ડ કરેલા અવલોકનો પણ:

દરેક રૂમમાં અવલોકનોની સંખ્યા લગભગ સમાન છે - અમે હજુ પણ જાણતા નથી કે ઓચિંતો હુમલો કરવા માટે સારી જગ્યા ક્યાં બનાવવી. ખેલાડીઓના પુનઃસ્પાવન દ્વારા આંકડા એકત્રિત કરવાનું પણ જટિલ છે, જે સમગ્ર નકશામાં સમાનરૂપે દેખાય છે. પરંતુ નકશા પર દેખાયા પછી તેઓ જે રૂમમાં પ્રવેશ કરે છે તેના વિશેનો ડેટા પહેલેથી જ ઉપયોગી છે.

તે જોઈ શકાય છે કે ગ્રીન રૂમ ખેલાડીઓને અનુકૂળ આવે છે - મોટાભાગના લોકો લાલ રૂમમાંથી તે તરફ જાય છે, જેમાંથી 50% ત્યાં જ રહે છે. વાદળી ઓરડો, તેનાથી વિપરીત, લોકપ્રિય નથી; લગભગ કોઈ તેની પાસે જતું નથી, અને જો તેઓ કરે છે, તો તેઓ લાંબા સમય સુધી રહેતા નથી.

પરંતુ ડેટા અમને કંઈક વધુ મહત્વપૂર્ણ કહે છે - જ્યારે કોઈ ખેલાડી વાદળી રૂમમાં હોય છે, ત્યારે આપણે તેને જે રૂમમાં જોઈશું તે લાલ હશે, લીલો નહીં. લાલ રૂમ કરતાં ગ્રીન રૂમ વધુ લોકપ્રિય હોવા છતાં, જો ખેલાડી વાદળી રૂમમાં હોય તો પરિસ્થિતિ બદલાય છે. આગલી સ્થિતિ (એટલે ​​કે ખેલાડી જે રૂમમાં જશે) તે પાછલી સ્થિતિ પર આધારિત છે (એટલે ​​કે ખેલાડી હાલમાં જે રૂમમાં છે). કારણ કે આપણે નિર્ભરતાઓનું અન્વેષણ કરીએ છીએ, જો આપણે સ્વતંત્ર રીતે અવલોકનોની ગણતરી કરીએ તો તેના કરતાં વધુ સચોટ આગાહી કરીશું.

ભૂતકાળની સ્થિતિના ડેટાના આધારે ભાવિ રાજ્યની આગાહી કરવી તેને માર્કોવ મોડેલ કહેવામાં આવે છે, અને આવા ઉદાહરણો (રૂમ સાથે) માર્કોવ સાંકળો કહેવાય છે. દાખલાઓ અનુગામી રાજ્યો વચ્ચેના ફેરફારોની સંભાવનાને રજૂ કરે છે, તેથી તે દરેક સંક્રમણની આસપાસ સંભાવના સાથે FSMs તરીકે દૃષ્ટિની રીતે પ્રદર્શિત થાય છે. અગાઉ, અમે વર્તણૂકની સ્થિતિને રજૂ કરવા માટે FSM નો ઉપયોગ કર્યો હતો જેમાં એજન્ટ હતો, પરંતુ આ ખ્યાલ કોઈપણ રાજ્ય સુધી વિસ્તરે છે, પછી ભલે તે એજન્ટ સાથે સંકળાયેલ હોય કે ન હોય. આ કિસ્સામાં, રાજ્યો એજન્ટ કબજે કરે છે તે રૂમનું પ્રતિનિધિત્વ કરે છે:

રાજ્યના ફેરફારોની સંબંધિત સંભાવનાને રજૂ કરવાની આ એક સરળ રીત છે, જે AI ને આગામી રાજ્યની આગાહી કરવાની થોડી ક્ષમતા આપે છે. તમે આગળ કેટલાંક પગલાંની અપેક્ષા રાખી શકો છો.

જો કોઈ ખેલાડી ગ્રીન રૂમમાં હોય, તો 50% શક્યતા છે કે તે આગલી વખતે જ્યારે તેનું નિરીક્ષણ કરવામાં આવે ત્યારે તે ત્યાં જ રહેશે. પરંતુ તે પછી પણ તે ત્યાં હશે તેની શું શક્યતાઓ છે? બે અવલોકનો પછી ખેલાડી ગ્રીન રૂમમાં જ રહ્યો હોય તેવી તક નથી, પરંતુ તે છોડીને પાછો ફર્યો હોવાની પણ શક્યતા છે. નવા ડેટાને ધ્યાનમાં લેતા નવું કોષ્ટક અહીં છે:

તે દર્શાવે છે કે બે અવલોકનો પછી ખેલાડીને ગ્રીન રૂમમાં જોવાની તક 51% - 21% જેટલી હશે કે તે લાલ રૂમમાંથી હશે, તેમાંથી 5% કે ખેલાડી તેમની વચ્ચેના વાદળી રૂમની મુલાકાત લેશે, અને 25% કે ખેલાડી ગ્રીન રૂમ છોડશે નહીં.

કોષ્ટક એ ફક્ત એક વિઝ્યુઅલ ટૂલ છે - પ્રક્રિયા માટે માત્ર દરેક પગલા પર સંભાવનાઓને ગુણાકાર કરવાની જરૂર છે. આનો અર્થ એ છે કે તમે એક ચેતવણી સાથે ભવિષ્યમાં દૂર સુધી જોઈ શકો છો: અમે ધારીએ છીએ કે રૂમમાં પ્રવેશવાની તક સંપૂર્ણપણે વર્તમાન રૂમ પર આધારિત છે. આને માર્કોવ પ્રોપર્ટી કહેવામાં આવે છે - ભવિષ્યની સ્થિતિ ફક્ત વર્તમાન પર આધારિત છે. પરંતુ આ XNUMX% સચોટ નથી. ખેલાડીઓ અન્ય પરિબળોના આધારે નિર્ણયો બદલી શકે છે: આરોગ્ય સ્તર અથવા દારૂગોળાની માત્રા. કારણ કે અમે આ મૂલ્યોને રેકોર્ડ કરતા નથી, અમારી આગાહીઓ ઓછી સચોટ હશે.

એન-ગ્રામ

લડાઈની રમત અને ખેલાડીની કોમ્બો ચાલની આગાહી કરવાના ઉદાહરણ વિશે શું? એ જ! પરંતુ એક રાજ્ય અથવા ઘટનાને બદલે, અમે કોમ્બો સ્ટ્રાઇક બનાવે છે તે સમગ્ર સિક્વન્સની તપાસ કરીશું.

આ કરવાની એક રીત એ છે કે દરેક ઇનપુટ (જેમ કે કિક, પંચ અથવા બ્લોક)ને બફરમાં સ્ટોર કરો અને સમગ્ર બફરને ઇવેન્ટ તરીકે લખો. તેથી સુપરડેથફિસ્ટ એટેકનો ઉપયોગ કરવા માટે ખેલાડી વારંવાર કિક, કિક, પંચ દબાવશે, એઆઈ સિસ્ટમ બફરમાં તમામ ઇનપુટ્સ સ્ટોર કરે છે અને દરેક પગલામાં ઉપયોગમાં લેવાતા છેલ્લા ત્રણને યાદ રાખે છે.

(જ્યારે ખેલાડી સુપરડેથફિસ્ટ એટેક લોન્ચ કરે છે ત્યારે બોલ્ડમાં લીટીઓ હોય છે.)

જ્યારે ખેલાડી કિક પસંદ કરશે, ત્યારપછી બીજી કિક પસંદ કરશે ત્યારે AI તમામ વિકલ્પો જોશે અને પછી ધ્યાન આપશે કે આગળનું ઇનપુટ હંમેશા પંચ છે. આ એજન્ટને સુપરડેથફિસ્ટના કોમ્બો મૂવની આગાહી કરવાની અને જો શક્ય હોય તો તેને અવરોધિત કરવાની મંજૂરી આપશે.

ઘટનાઓના આ ક્રમને N-ગ્રામ કહેવામાં આવે છે, જ્યાં N એ સંગ્રહિત તત્વોની સંખ્યા છે. અગાઉના ઉદાહરણમાં તે 3-ગ્રામ (ટ્રિગ્રામ) હતું, જેનો અર્થ છે: પ્રથમ બે એન્ટ્રીનો ઉપયોગ ત્રીજાની આગાહી કરવા માટે થાય છે. તદનુસાર, 5-ગ્રામમાં, પ્રથમ ચાર એન્ટ્રીઓ પાંચમી અને તેથી વધુની આગાહી કરે છે.

ડિઝાઇનરને એન-ગ્રામનું કદ કાળજીપૂર્વક પસંદ કરવાની જરૂર છે. નાના N ને ઓછી મેમરીની જરૂર પડે છે પણ તે ઓછો ઇતિહાસ પણ સંગ્રહિત કરે છે. ઉદાહરણ તરીકે, 2-ગ્રામ (બિગ્રામ) કિક, કિક અથવા કિક, પંચ રેકોર્ડ કરશે, પરંતુ તે કિક, કિક, પંચ સ્ટોર કરી શકશે નહીં, તેથી AI સુપરડેથફિસ્ટ કોમ્બોને પ્રતિસાદ આપશે નહીં.

બીજી તરફ, મોટી સંખ્યામાં વધુ મેમરીની જરૂર પડે છે અને એઆઈને તાલીમ આપવી વધુ મુશ્કેલ હશે કારણ કે ત્યાં ઘણા વધુ સંભવિત વિકલ્પો હશે. જો તમારી પાસે કિક, પંચ અથવા બ્લોકના ત્રણ સંભવિત ઇનપુટ્સ હોય અને અમે 10-ગ્રામનો ઉપયોગ કર્યો હોય, તો તે લગભગ 60 હજાર વિવિધ વિકલ્પો હશે.

બિગ્રામ મોડલ એ સાદી માર્કોવ સાંકળ છે - દરેક ભૂતકાળની સ્થિતિ/વર્તમાન સ્થિતિની જોડી એક બિગ્રામ છે, અને તમે પ્રથમના આધારે બીજી સ્થિતિની આગાહી કરી શકો છો. 3-ગ્રામ અને મોટા N-ગ્રામને માર્કોવ સાંકળો તરીકે પણ વિચારી શકાય છે, જ્યાં તમામ તત્વો (N-ગ્રામમાં છેલ્લા એક સિવાય) એકસાથે પ્રથમ સ્થિતિ અને છેલ્લું તત્વ બીજું બનાવે છે. ફાઇટીંગ ગેમનું ઉદાહરણ કિક એન્ડ કિક સ્ટેટમાંથી કિક એન્ડ પંચ સ્ટેટમાં સંક્રમણની તક દર્શાવે છે. બહુવિધ ઇનપુટ ઇતિહાસ એન્ટ્રીઓને એક એકમ તરીકે ગણીને, અમે આવશ્યકપણે ઇનપુટ ક્રમને સમગ્ર રાજ્યના ભાગમાં રૂપાંતરિત કરી રહ્યા છીએ. આ અમને માર્કોવ પ્રોપર્ટી આપે છે, જે અમને આગામી ઇનપુટની આગાહી કરવા માટે માર્કોવ ચેઇન્સનો ઉપયોગ કરવાની મંજૂરી આપે છે અને અનુમાન લગાવવા માટે કે કોમ્બો મૂવ આગળ શું હશે.

નિષ્કર્ષ

અમે કૃત્રિમ બુદ્ધિના વિકાસમાં સૌથી સામાન્ય સાધનો અને અભિગમો વિશે વાત કરી. અમે કઈ પરિસ્થિતિઓમાં તેનો ઉપયોગ કરવાની જરૂર છે અને તે ખાસ કરીને ક્યાં ઉપયોગી છે તે પણ જોયું.

રમત AI ની મૂળભૂત બાબતોને સમજવા માટે આ પૂરતું હોવું જોઈએ. પરંતુ, અલબત્ત, આ બધી પદ્ધતિઓ નથી. ઓછા લોકપ્રિય, પરંતુ ઓછા અસરકારક નથી તેમાં નીચેનાનો સમાવેશ થાય છે:

• ઓપ્ટિમાઇઝેશન અલ્ગોરિધમ્સ જેમાં હિલ ક્લાઇમ્બીંગ, ગ્રેડિયન્ટ ડિસેન્ટ અને આનુવંશિક ગાણિતીક નિયમો
• વિરોધી શોધ/શેડ્યુલિંગ અલ્ગોરિધમ્સ (મિનિમેક્સ અને આલ્ફા-બીટા કાપણી)
• વર્ગીકરણ પદ્ધતિઓ (પરસેપ્ટરોન, ન્યુરલ નેટવર્ક અને સપોર્ટ વેક્ટર મશીનો)
• પ્રોસેસિંગ એજન્ટોની ધારણા અને મેમરી માટેની સિસ્ટમો
• AI (હાઇબ્રિડ સિસ્ટમ્સ, સબસેટ આર્કિટેક્ચર્સ અને AI સિસ્ટમ્સને ઓવરલે કરવાની અન્ય રીતો) માટે આર્કિટેક્ચરલ અભિગમો
• એનિમેશન સાધનો (આયોજન અને ગતિ સંકલન)
• પ્રદર્શન પરિબળો (વિગતનું સ્તર, કોઈપણ સમયે, અને ટાઇમલાઈસિંગ અલ્ગોરિધમ્સ)

વિષય પર ઑનલાઇન સંસાધનો:

1. GameDev.net પાસે છે AI પર લેખો અને ટ્યુટોરિયલ્સ સાથેનો વિભાગ, અને ફોરમ.
2. AiGameDev.com ગેમ AI ડેવલપમેન્ટથી સંબંધિત વિષયોની વિશાળ શ્રેણી પર ઘણી પ્રસ્તુતિઓ અને લેખો છે.
3. જીડીસી વૉલ્ટ GDC AI સમિટના વિષયો શામેલ છે, જેમાંથી ઘણા મફતમાં ઉપલબ્ધ છે.
4. વેબસાઈટ પર ઉપયોગી સામગ્રી પણ મળી શકે છે AI ગેમ પ્રોગ્રામર્સ ગિલ્ડ.
5. ટોમી થોમ્પસન, AI સંશોધક અને ગેમ ડેવલપર, YouTube પર વીડિયો બનાવે છે એઆઈ અને ગેમ્સ વ્યાપારી રમતોમાં AI ના સમજૂતી અને અભ્યાસ સાથે.

વિષય પર પુસ્તકો:

1. ગેમ એઆઈ પ્રો બુક સિરીઝ એ ટૂંકા લેખોનો સંગ્રહ છે જે ચોક્કસ સુવિધાઓને કેવી રીતે અમલમાં મૂકવી અથવા ચોક્કસ સમસ્યાઓ કેવી રીતે હલ કરવી તે સમજાવે છે.

ગેમ એઆઈ પ્રો: ગેમ એઆઈ પ્રોફેશનલ્સનું કલેક્ટેડ વિઝડમ
ગેમ એઆઈ પ્રો 2: ગેમ એઆઈ પ્રોફેશનલ્સનું કલેક્ટેડ વિઝડમ
ગેમ એઆઈ પ્રો 3: ગેમ એઆઈ પ્રોફેશનલ્સનું કલેક્ટેડ વિઝડમ

2. એઆઈ ગેમ પ્રોગ્રામિંગ વિઝડમ સિરીઝ એ ગેમ એઆઈ પ્રો સિરીઝની પુરોગામી છે. તેમાં જૂની પદ્ધતિઓનો સમાવેશ થાય છે, પરંતુ લગભગ તમામ આજે પણ સંબંધિત છે.

AI ગેમ પ્રોગ્રામિંગ વિઝડમ 1
AI ગેમ પ્રોગ્રામિંગ વિઝડમ 2
AI ગેમ પ્રોગ્રામિંગ વિઝડમ 3
AI ગેમ પ્રોગ્રામિંગ વિઝડમ 4

3. કૃત્રિમ બુદ્ધિ: આધુનિક અભિગમ આર્ટિફિશિયલ ઇન્ટેલિજન્સના સામાન્ય ક્ષેત્રને સમજવા ઇચ્છતા દરેક વ્યક્તિ માટે મૂળભૂત ગ્રંથોમાંનું એક છે. આ રમત વિકાસ વિશેનું પુસ્તક નથી - તે AI ની મૂળભૂત બાબતો શીખવે છે.

સોર્સ: www.habr.com