ഒരു ഗെയിമിംഗ് AI എങ്ങനെ സൃഷ്ടിക്കാം: തുടക്കക്കാർക്കുള്ള ഒരു ഗൈഡ്

ഗെയിമുകളിൽ ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസിനെക്കുറിച്ചുള്ള രസകരമായ ചില കാര്യങ്ങൾ ഞാൻ കണ്ടു. ലളിതമായ ഉദാഹരണങ്ങൾ ഉപയോഗിച്ച് AI-യെ കുറിച്ചുള്ള അടിസ്ഥാന കാര്യങ്ങളുടെ വിശദീകരണം, അതിനുള്ളിൽ അതിന്റെ സൗകര്യപ്രദമായ വികസനത്തിനും രൂപകൽപ്പനയ്ക്കും ഉപയോഗപ്രദമായ നിരവധി ഉപകരണങ്ങളും രീതികളും ഉണ്ട്. എങ്ങനെ, എവിടെ, എപ്പോൾ ഉപയോഗിക്കണം എന്നതും അവിടെയുണ്ട്.

മിക്ക ഉദാഹരണങ്ങളും സ്യൂഡോകോഡിലാണ് എഴുതിയിരിക്കുന്നത്, അതിനാൽ വിപുലമായ പ്രോഗ്രാമിംഗ് അറിവ് ആവശ്യമില്ല. കട്ടിനടിയിൽ ചിത്രങ്ങളും ജിഫുകളുമുള്ള 35 വാചക ഷീറ്റുകൾ ഉണ്ട്, അതിനാൽ തയ്യാറാകൂ.

UPD. ഞാൻ ക്ഷമ ചോദിക്കുന്നു, പക്ഷേ ഹബ്രെയെക്കുറിച്ചുള്ള ഈ ലേഖനത്തിന്റെ എന്റെ സ്വന്തം വിവർത്തനം ഞാൻ ഇതിനകം ചെയ്തിട്ടുണ്ട് പേഷ്യന്റ് സീറോ. നിങ്ങൾക്ക് അവന്റെ പതിപ്പ് വായിക്കാം ഇവിടെ, പക്ഷേ ചില കാരണങ്ങളാൽ ലേഖനം എന്നെ കടന്നുപോയി (ഞാൻ തിരയൽ ഉപയോഗിച്ചു, പക്ഷേ എന്തോ കുഴപ്പം സംഭവിച്ചു). ഗെയിം ഡെവലപ്‌മെന്റിനായി സമർപ്പിച്ചിരിക്കുന്ന ഒരു ബ്ലോഗിൽ ഞാൻ എഴുതുന്നതിനാൽ, എന്റെ വിവർത്തന പതിപ്പ് സബ്‌സ്‌ക്രൈബർമാർക്കായി ഉപേക്ഷിക്കാൻ ഞാൻ തീരുമാനിച്ചു (ചില പോയിന്റുകൾ വ്യത്യസ്തമായി ഫോർമാറ്റ് ചെയ്‌തിരിക്കുന്നു, ചിലത് ഡവലപ്പർമാരുടെ ഉപദേശപ്രകാരം മനഃപൂർവം ഒഴിവാക്കിയിരിക്കുന്നു).

എന്താണ് AI?

ഗെയിം AI ഒരു വസ്തു സ്ഥിതി ചെയ്യുന്ന അവസ്ഥയെ അടിസ്ഥാനമാക്കി എന്ത് പ്രവർത്തനങ്ങൾ നടത്തണം എന്നതിൽ ശ്രദ്ധ കേന്ദ്രീകരിക്കുന്നു. ഇതിനെ സാധാരണയായി "ഇന്റലിജന്റ് ഏജന്റ്" മാനേജുമെന്റ് എന്ന് വിളിക്കുന്നു, അവിടെ ഒരു ഏജന്റ് ഒരു കളിക്കാരന്റെ കഥാപാത്രം, ഒരു വാഹനം, ഒരു ബോട്ട് അല്ലെങ്കിൽ ചിലപ്പോൾ കൂടുതൽ അമൂർത്തമായ എന്തെങ്കിലും ആണ്: ഒരു കൂട്ടം സ്ഥാപനങ്ങൾ അല്ലെങ്കിൽ ഒരു നാഗരികത പോലും. ഓരോ സാഹചര്യത്തിലും, അത് അതിന്റെ ചുറ്റുപാടുകൾ കാണുകയും അതിനെ അടിസ്ഥാനമാക്കി തീരുമാനങ്ങൾ എടുക്കുകയും അവയ്ക്ക് അനുസൃതമായി പ്രവർത്തിക്കുകയും ചെയ്യേണ്ട ഒരു കാര്യമാണ്. ഇതിനെ സെൻസ്/തിങ്ക്/ആക്റ്റ് സൈക്കിൾ എന്ന് വിളിക്കുന്നു:

• സെൻസ്: ഏജന്റ് അതിന്റെ സ്വഭാവത്തെ സ്വാധീനിച്ചേക്കാവുന്ന (സമീപത്തുള്ള ഭീഷണികൾ, ശേഖരിക്കാനുള്ള ഇനങ്ങൾ, പര്യവേക്ഷണം ചെയ്യാനുള്ള രസകരമായ സ്ഥലങ്ങൾ) അതിന്റെ പരിതസ്ഥിതിയിലെ കാര്യങ്ങളെക്കുറിച്ചുള്ള വിവരങ്ങൾ കണ്ടെത്തുകയോ സ്വീകരിക്കുകയോ ചെയ്യുന്നു.
• ചിന്തിക്കുക: എങ്ങനെ പ്രതികരിക്കണമെന്ന് ഏജന്റ് തീരുമാനിക്കുന്നു (ഇനങ്ങൾ ശേഖരിക്കുന്നത് സുരക്ഷിതമാണോ അതോ ആദ്യം അവൻ യുദ്ധം ചെയ്യണോ/ഒളിപ്പിക്കണോ എന്ന് പരിഗണിക്കുക).
• നിയമം: മുമ്പത്തെ തീരുമാനം നടപ്പിലാക്കാൻ ഏജന്റ് പ്രവർത്തനങ്ങൾ ചെയ്യുന്നു (ശത്രുവിനോ വസ്തുവിനോ നേരെ നീങ്ങാൻ തുടങ്ങുന്നു).
• ...ഇപ്പോൾ കഥാപാത്രങ്ങളുടെ പ്രവർത്തനങ്ങൾ കാരണം സാഹചര്യം മാറിയിരിക്കുന്നു, അതിനാൽ പുതിയ ഡാറ്റ ഉപയോഗിച്ച് സൈക്കിൾ ആവർത്തിക്കുന്നു.

AI ലൂപ്പിന്റെ സെൻസ് ഭാഗത്ത് ശ്രദ്ധ കേന്ദ്രീകരിക്കുന്നു. ഉദാഹരണത്തിന്, ഓട്ടോണമസ് കാറുകൾ റോഡിന്റെ ചിത്രങ്ങൾ എടുക്കുകയും റഡാർ, ലിഡാർ ഡാറ്റ എന്നിവയുമായി സംയോജിപ്പിക്കുകയും അവയെ വ്യാഖ്യാനിക്കുകയും ചെയ്യുന്നു. ഇത് സാധാരണയായി മെഷീൻ ലേണിംഗ് വഴിയാണ് ചെയ്യുന്നത്, ഇത് ഇൻകമിംഗ് ഡാറ്റ പ്രോസസ്സ് ചെയ്യുകയും അതിന് അർത്ഥം നൽകുകയും ചെയ്യുന്നു, "നിങ്ങൾക്ക് 20 യാർഡ് മുന്നിൽ മറ്റൊരു കാർ ഉണ്ട്" എന്നതുപോലുള്ള സെമാന്റിക് വിവരങ്ങൾ എക്‌സ്‌ട്രാക്റ്റുചെയ്യുന്നു. ഇവയാണ് വർഗ്ഗീകരണ പ്രശ്നങ്ങൾ എന്ന് വിളിക്കപ്പെടുന്നവ.

മിക്ക ഡാറ്റയും ഇതിനകം തന്നെ അതിന്റെ അവിഭാജ്യ ഘടകമായതിനാൽ വിവരങ്ങൾ എക്‌സ്‌ട്രാക്‌റ്റുചെയ്യുന്നതിന് ഗെയിമുകൾക്ക് സങ്കീർണ്ണമായ ഒരു സിസ്റ്റം ആവശ്യമില്ല. മുന്നിൽ ശത്രുവുണ്ടോ എന്ന് നിർണ്ണയിക്കാൻ ഇമേജ് റെക്കഗ്നിഷൻ അൽഗോരിതം പ്രവർത്തിപ്പിക്കേണ്ട ആവശ്യമില്ല - ഗെയിം ഇതിനകം തന്നെ അറിയുകയും തീരുമാനമെടുക്കൽ പ്രക്രിയയിലേക്ക് നേരിട്ട് വിവരങ്ങൾ നൽകുകയും ചെയ്യുന്നു. അതിനാൽ, സൈക്കിളിന്റെ സെൻസ് ഭാഗം പലപ്പോഴും തിങ്ക് ആൻഡ് ആക്ട് ഭാഗത്തേക്കാൾ വളരെ ലളിതമാണ്.

ഗെയിം AI യുടെ പരിമിതികൾ

AI ന് നിരവധി പരിമിതികൾ ഉണ്ട്, അവ പാലിക്കേണ്ടതുണ്ട്:

• ഒരു മെഷീൻ ലേണിംഗ് അൽഗോരിതം പോലെ AI-യെ മുൻകൂട്ടി പരിശീലിപ്പിക്കേണ്ടതില്ല. പതിനായിരക്കണക്കിന് കളിക്കാരെ നിരീക്ഷിക്കാനും അവർക്കെതിരെ കളിക്കാനുള്ള മികച്ച മാർഗം പഠിക്കാനും വികസന സമയത്ത് ഒരു ന്യൂറൽ നെറ്റ്‌വർക്ക് എഴുതുന്നതിൽ അർത്ഥമില്ല. എന്തുകൊണ്ട്? കാരണം ഗെയിം റിലീസ് ചെയ്തിട്ടില്ല, കളിക്കാർ ഇല്ല.
• ഗെയിം രസകരവും വെല്ലുവിളി നിറഞ്ഞതുമായിരിക്കണം, അതിനാൽ ആളുകൾക്കെതിരായ ഏറ്റവും മികച്ച സമീപനം ഏജന്റുമാർ കണ്ടെത്തരുത്.
• യഥാർത്ഥ ആളുകൾക്കെതിരെ കളിക്കുന്നതായി കളിക്കാർക്ക് തോന്നുന്ന തരത്തിൽ ഏജന്റുമാർ റിയലിസ്റ്റിക് ആയി കാണേണ്ടതുണ്ട്. AlphaGo പ്രോഗ്രാം മനുഷ്യരെ മറികടന്നു, എന്നാൽ തിരഞ്ഞെടുത്ത ഘട്ടങ്ങൾ ഗെയിമിനെക്കുറിച്ചുള്ള പരമ്പരാഗത ധാരണയിൽ നിന്ന് വളരെ അകലെയായിരുന്നു. ഗെയിം ഒരു മനുഷ്യ എതിരാളിയെ അനുകരിക്കുകയാണെങ്കിൽ, ഈ വികാരം നിലനിൽക്കരുത്. അൽഗോരിതം മാറ്റേണ്ടതുണ്ട്, അതുവഴി അനുയോജ്യമായ തീരുമാനങ്ങളേക്കാൾ വിശ്വസനീയമായ തീരുമാനങ്ങൾ എടുക്കുന്നു.
• AI തത്സമയം പ്രവർത്തിക്കണം. തീരുമാനങ്ങൾ എടുക്കുന്നതിന് ദീർഘകാലത്തേക്ക് സിപിയു ഉപയോഗം കുത്തകയാക്കാൻ അൽഗോരിതത്തിന് കഴിയില്ലെന്നാണ് ഇതിനർത്ഥം. 10 മില്ലിസെക്കൻഡ് പോലും ദൈർഘ്യമേറിയതാണ്, കാരണം മിക്ക ഗെയിമുകൾക്കും എല്ലാ പ്രോസസ്സിംഗും ചെയ്യാനും അടുത്ത ഗ്രാഫിക്സ് ഫ്രെയിമിലേക്ക് പോകാനും 16 മുതൽ 33 മില്ലിസെക്കൻഡ് വരെ മാത്രമേ ആവശ്യമുള്ളൂ.
• മികച്ച രീതിയിൽ, സിസ്റ്റത്തിന്റെ ഒരു ഭാഗമെങ്കിലും ഡാറ്റാധിഷ്ഠിതമായിരിക്കണം, അതുവഴി കോഡറുകൾ അല്ലാത്തവർക്ക് മാറ്റങ്ങൾ വരുത്താനും ക്രമീകരണങ്ങൾ വേഗത്തിൽ സംഭവിക്കാനും കഴിയും.

സെൻസ്/തിങ്ക്/ആക്റ്റ് സൈക്കിൾ മുഴുവനായും ഉൾക്കൊള്ളുന്ന AI സമീപനങ്ങൾ നോക്കാം.

അടിസ്ഥാന തീരുമാനങ്ങൾ എടുക്കുന്നു

നമുക്ക് ഏറ്റവും ലളിതമായ ഗെയിമിൽ നിന്ന് ആരംഭിക്കാം - പോംഗ്. ലക്ഷ്യം: പാഡിൽ നീക്കുക, അതുവഴി പന്ത് അതിനെ മറികടന്ന് പറക്കുന്നതിനുപകരം അതിൽ നിന്ന് കുതിക്കുന്നു. ഇത് ടെന്നീസ് പോലെയാണ്, പന്ത് തട്ടിയില്ലെങ്കിൽ നിങ്ങൾ തോൽക്കും. ഇവിടെ AI-ക്ക് താരതമ്യേന എളുപ്പമുള്ള ഒരു ജോലിയുണ്ട് - പ്ലാറ്റ്ഫോം ഏത് ദിശയിലേക്ക് നീക്കണമെന്ന് തീരുമാനിക്കുക.

സോപാധിക പ്രസ്താവനകൾ

പോങ്ങിലെ AI-യെ സംബന്ധിച്ചിടത്തോളം, പ്ലാറ്റ്ഫോം പന്തിന് കീഴിൽ സ്ഥാപിക്കാൻ എപ്പോഴും ശ്രമിക്കുക എന്നതാണ് ഏറ്റവും വ്യക്തമായ പരിഹാരം.

ഇതിനായുള്ള ഒരു ലളിതമായ അൽഗോരിതം, സ്യൂഡോകോഡിൽ എഴുതിയിരിക്കുന്നു:

ഗെയിം പ്രവർത്തിക്കുമ്പോൾ ഓരോ ഫ്രെയിം/അപ്‌ഡേറ്റും:
പന്ത് പാഡിലിന്റെ ഇടതുവശത്താണെങ്കിൽ:
പാഡിൽ ഇടത്തേക്ക് നീക്കുക
അല്ലെങ്കിൽ പന്ത് പാഡിലിന്റെ വലതുവശത്താണെങ്കിൽ:
തുഴ വലത്തേക്ക് നീക്കുക

പ്ലാറ്റ്‌ഫോം പന്തിന്റെ വേഗതയിൽ നീങ്ങുകയാണെങ്കിൽ, പോങ്ങിലെ AI-യ്‌ക്ക് അനുയോജ്യമായ അൽഗോരിതം ഇതാണ്. വളരെയധികം ഡാറ്റയും ഏജന്റിന് സാധ്യമായ പ്രവർത്തനങ്ങളും ഇല്ലെങ്കിൽ ഒന്നും സങ്കീർണ്ണമാക്കേണ്ട ആവശ്യമില്ല.

ഈ സമീപനം വളരെ ലളിതമാണ്, മുഴുവൻ സെൻസ്/തിങ്ക്/ആക്റ്റ് സൈക്കിളും ശ്രദ്ധയിൽപ്പെടില്ല. എന്നാൽ അത് അവിടെയുണ്ട്:

• സെൻസ് ഭാഗം രണ്ട് ഇഫ് സ്റ്റേറ്റ്‌മെന്റുകളിലാണ്. പന്ത് എവിടെയാണെന്നും പ്ലാറ്റ്ഫോം എവിടെയാണെന്നും ഗെയിമിന് അറിയാം, അതിനാൽ ആ വിവരങ്ങൾക്കായി AI അത് നോക്കുന്നു.
• രണ്ട് if പ്രസ്താവനകളിൽ തിങ്ക് ഭാഗവും ഉൾപ്പെടുത്തിയിട്ടുണ്ട്. അവ രണ്ട് പരിഹാരങ്ങൾ ഉൾക്കൊള്ളുന്നു, ഈ സാഹചര്യത്തിൽ അവ പരസ്പരവിരുദ്ധമാണ്. തൽഫലമായി, മൂന്ന് പ്രവർത്തനങ്ങളിൽ ഒന്ന് തിരഞ്ഞെടുത്തു - പ്ലാറ്റ്ഫോം ഇടത്തേക്ക് നീക്കുക, വലത്തേക്ക് നീക്കുക, അല്ലെങ്കിൽ അത് ഇതിനകം ശരിയായി സ്ഥാപിച്ചിട്ടുണ്ടെങ്കിൽ ഒന്നും ചെയ്യരുത്.
• മൂവ് പാഡിൽ ലെഫ്റ്റ്, മൂവ് പാഡിൽ റൈറ്റ് എന്നീ പ്രസ്‌താവനകളിൽ ആക്‌ട് ഭാഗം കാണാം. ഗെയിം രൂപകൽപ്പനയെ ആശ്രയിച്ച്, അവർക്ക് പ്ലാറ്റ്ഫോം തൽക്ഷണം അല്ലെങ്കിൽ ഒരു പ്രത്യേക വേഗതയിൽ നീക്കാൻ കഴിയും.

അത്തരം സമീപനങ്ങളെ റിയാക്ടീവ് എന്ന് വിളിക്കുന്നു - ലോകത്തിന്റെ നിലവിലെ അവസ്ഥയോട് പ്രതികരിക്കുകയും നടപടിയെടുക്കുകയും ചെയ്യുന്ന ഒരു ലളിതമായ നിയമങ്ങളുണ്ട് (ഈ സാഹചര്യത്തിൽ കോഡിലെ പ്രസ്താവനകളാണെങ്കിൽ).

തീരുമാന വൃക്ഷം

പോംഗ് ഉദാഹരണം യഥാർത്ഥത്തിൽ ഡിസിഷൻ ട്രീ എന്ന ഔപചാരിക AI ആശയത്തിന് തുല്യമാണ്. അൽഗോരിതം അതിലൂടെ ഒരു "ഇല"-യിൽ എത്താൻ പോകുന്നു - എന്ത് നടപടിയെടുക്കണം എന്നതിനെക്കുറിച്ചുള്ള ഒരു തീരുമാനം.

ഞങ്ങളുടെ പ്ലാറ്റ്‌ഫോമിന്റെ അൽഗോരിതത്തിനായി ഡിസിഷൻ ട്രീയുടെ ഒരു ബ്ലോക്ക് ഡയഗ്രം ഉണ്ടാക്കാം:

വൃക്ഷത്തിന്റെ ഓരോ ഭാഗത്തെയും നോഡ് എന്ന് വിളിക്കുന്നു - അത്തരം ഘടനകളെ വിവരിക്കാൻ AI ഗ്രാഫ് സിദ്ധാന്തം ഉപയോഗിക്കുന്നു. രണ്ട് തരം നോഡുകൾ ഉണ്ട്:

• തീരുമാന നോഡുകൾ: ചില വ്യവസ്ഥകൾ പരിശോധിക്കുന്നതിനെ അടിസ്ഥാനമാക്കി രണ്ട് ഇതരമാർഗങ്ങൾക്കിടയിൽ തിരഞ്ഞെടുക്കൽ, ഓരോ ഇതരവും ഒരു പ്രത്യേക നോഡായി പ്രതിനിധീകരിക്കുന്നു.
• എൻഡ് നോഡുകൾ: അന്തിമ തീരുമാനത്തെ പ്രതിനിധീകരിക്കുന്ന പ്രവർത്തനം.

ആദ്യ നോഡിൽ നിന്ന് (മരത്തിന്റെ "റൂട്ട്") അൽഗോരിതം ആരംഭിക്കുന്നു. ഒന്നുകിൽ ഏത് ചൈൽഡ് നോഡിലേക്കാണ് പോകേണ്ടതെന്ന് തീരുമാനിക്കുക, അല്ലെങ്കിൽ നോഡിൽ സംഭരിച്ചിരിക്കുന്ന പ്രവർത്തനം നടപ്പിലാക്കുകയും പുറത്തുകടക്കുകയും ചെയ്യുന്നു.

മുമ്പത്തെ വിഭാഗത്തിലെ if സ്റ്റേറ്റ്‌മെന്റുകളുടെ അതേ ജോലി ഒരു ഡിസിഷൻ ട്രീ ചെയ്യുന്നതിന്റെ പ്രയോജനം എന്താണ്? ഓരോ തീരുമാനത്തിനും ഒരു വ്യവസ്ഥയും രണ്ട് സാധ്യമായ ഫലങ്ങളും മാത്രമുള്ള ഒരു പൊതു സംവിധാനം ഇവിടെയുണ്ട്. ഇത് ഹാർഡ്-കോഡ് ചെയ്യാതെ തന്നെ ഒരു ട്രീയിലെ തീരുമാനങ്ങളെ പ്രതിനിധീകരിക്കുന്ന ഡാറ്റയിൽ നിന്ന് AI സൃഷ്ടിക്കാൻ ഡെവലപ്പറെ അനുവദിക്കുന്നു. നമുക്ക് ഇത് ഒരു പട്ടികയുടെ രൂപത്തിൽ അവതരിപ്പിക്കാം:

കോഡ് ഭാഗത്ത് നിങ്ങൾക്ക് സ്ട്രിംഗുകൾ വായിക്കുന്നതിനുള്ള ഒരു സംവിധാനം ലഭിക്കും. അവയിൽ ഓരോന്നിനും ഒരു നോഡ് സൃഷ്‌ടിക്കുക, രണ്ടാമത്തെ നിരയെ അടിസ്ഥാനമാക്കി തീരുമാന ലോജിക്കും മൂന്നാമത്തെയും നാലാമത്തെയും നിരകളെ അടിസ്ഥാനമാക്കി ചൈൽഡ് നോഡുകളും ബന്ധിപ്പിക്കുക. നിങ്ങൾ ഇപ്പോഴും വ്യവസ്ഥകളും പ്രവർത്തനങ്ങളും പ്രോഗ്രാം ചെയ്യേണ്ടതുണ്ട്, എന്നാൽ ഇപ്പോൾ ഗെയിമിന്റെ ഘടന കൂടുതൽ സങ്കീർണ്ണമായിരിക്കും. ഇവിടെ നിങ്ങൾ കൂടുതൽ തീരുമാനങ്ങളും പ്രവർത്തനങ്ങളും ചേർക്കുന്നു, തുടർന്ന് ട്രീ ഡെഫനിഷൻ ടെക്സ്റ്റ് ഫയൽ എഡിറ്റ് ചെയ്തുകൊണ്ട് മുഴുവൻ AI-യും ഇഷ്ടാനുസൃതമാക്കുക. അടുത്തതായി, ഗെയിം വീണ്ടും കംപൈൽ ചെയ്യാതെയോ കോഡ് മാറ്റാതെയോ പെരുമാറ്റം മാറ്റാൻ കഴിയുന്ന ഗെയിം ഡിസൈനർക്ക് നിങ്ങൾ ഫയൽ കൈമാറും.

ഒരു വലിയ കൂട്ടം ഉദാഹരണങ്ങളിൽ നിന്ന് (ഉദാഹരണത്തിന്, ID3 അൽഗോരിതം ഉപയോഗിച്ച്) സ്വയമേവ നിർമ്മിക്കപ്പെടുമ്പോൾ ഡിസിഷൻ ട്രീകൾ വളരെ ഉപയോഗപ്രദമാണ്. ലഭിച്ച ഡാറ്റയെ അടിസ്ഥാനമാക്കി സാഹചര്യങ്ങളെ തരംതിരിക്കുന്നതിനുള്ള ഫലപ്രദവും ഉയർന്ന പ്രകടനമുള്ളതുമായ ഉപകരണമായി ഇത് അവരെ മാറ്റുന്നു. എന്നിരുന്നാലും, പ്രവർത്തനങ്ങൾ തിരഞ്ഞെടുക്കുന്നതിനുള്ള ഏജന്റുമാർക്ക് ഞങ്ങൾ ഒരു ലളിതമായ സംവിധാനത്തിനപ്പുറം പോകുന്നു.

രംഗങ്ങൾ

മുൻകൂട്ടി സൃഷ്ടിച്ച വ്യവസ്ഥകളും പ്രവർത്തനങ്ങളും ഉപയോഗിച്ച ഒരു ഡിസിഷൻ ട്രീ സിസ്റ്റം ഞങ്ങൾ വിശകലനം ചെയ്തു. AI രൂപകൽപന ചെയ്യുന്ന വ്യക്തിക്ക് എങ്ങനെ വേണമെങ്കിലും ട്രീ ഓർഗനൈസുചെയ്യാൻ കഴിയും, പക്ഷേ അതെല്ലാം പ്രോഗ്രാം ചെയ്ത കോഡറെ അവൻ ഇപ്പോഴും ആശ്രയിക്കേണ്ടതുണ്ട്. ഡിസൈനർക്ക് അവരുടെ സ്വന്തം അവസ്ഥകളോ പ്രവർത്തനങ്ങളോ സൃഷ്ടിക്കുന്നതിനുള്ള ഉപകരണങ്ങൾ നൽകാനായാലോ?

ബോൾ ലെഫ്റ്റ് ഓഫ് പാഡിൽ, ഈസ് ബോൾ റൈറ്റ് ഓഫ് പാഡിൽ എന്നീ വ്യവസ്ഥകൾക്കായി പ്രോഗ്രാമർ കോഡ് എഴുതേണ്ടതില്ല, ഈ മൂല്യങ്ങൾ പരിശോധിക്കുന്നതിന് ഡിസൈനർ വ്യവസ്ഥകൾ എഴുതുന്ന ഒരു സിസ്റ്റം സൃഷ്ടിക്കാൻ അദ്ദേഹത്തിന് കഴിയും. അപ്പോൾ ഡിസിഷൻ ട്രീ ഡാറ്റ ഇതുപോലെ കാണപ്പെടും:

ഇത് അടിസ്ഥാനപരമായി ആദ്യ പട്ടികയിലേതിന് സമാനമാണ്, എന്നാൽ അവയ്ക്കുള്ളിലെ പരിഹാരങ്ങൾക്ക് ഒരു if സ്റ്റേറ്റ്‌മെന്റിന്റെ സോപാധിക ഭാഗം പോലെ സ്വന്തം കോഡ് ഉണ്ട്. കോഡ് വശത്ത്, ഇത് ഡിസിഷൻ നോഡുകൾക്കായുള്ള രണ്ടാമത്തെ കോളത്തിൽ വായിക്കും, എന്നാൽ എക്സിക്യൂട്ട് ചെയ്യുന്നതിനുള്ള ഒരു പ്രത്യേക വ്യവസ്ഥയ്ക്കായി നോക്കുന്നതിനുപകരം (പാഡിൽ ബോൾ അവശേഷിക്കുന്നുണ്ടോ), ഇത് സോപാധികമായ പദപ്രയോഗം വിലയിരുത്തുകയും അതനുസരിച്ച് ശരിയോ തെറ്റോ നൽകുകയും ചെയ്യുന്നു. ലുവാ അല്ലെങ്കിൽ ഏഞ്ചൽസ്ക്രിപ്റ്റ് സ്ക്രിപ്റ്റിംഗ് ഭാഷ ഉപയോഗിച്ചാണ് ഇത് ചെയ്യുന്നത്. അവ ഉപയോഗിച്ച്, ഒരു ഡെവലപ്പർക്ക് തന്റെ ഗെയിമിലെ ഒബ്‌ജക്റ്റുകൾ (ബോൾ, പാഡിൽ) എടുക്കാനും സ്‌ക്രിപ്റ്റിൽ (ball.position) ലഭ്യമാകുന്ന വേരിയബിളുകൾ സൃഷ്‌ടിക്കാനും കഴിയും. കൂടാതെ, സ്ക്രിപ്റ്റിംഗ് ഭാഷ C++ നേക്കാൾ ലളിതമാണ്. ഇതിന് ഒരു പൂർണ്ണ സമാഹാര ഘട്ടം ആവശ്യമില്ല, അതിനാൽ ഗെയിം ലോജിക് വേഗത്തിൽ ക്രമീകരിക്കുന്നതിന് ഇത് അനുയോജ്യമാണ് കൂടാതെ ആവശ്യമായ പ്രവർത്തനങ്ങൾ സ്വയം സൃഷ്ടിക്കാൻ "നോൺ-കോഡറുകൾ" അനുവദിക്കുന്നു.

മുകളിലുള്ള ഉദാഹരണത്തിൽ, സോപാധികമായ പദപ്രയോഗം വിലയിരുത്തുന്നതിന് മാത്രമാണ് സ്ക്രിപ്റ്റിംഗ് ഭാഷ ഉപയോഗിക്കുന്നത്, എന്നാൽ ഇത് പ്രവർത്തനങ്ങൾക്കും ഉപയോഗിക്കാം. ഉദാഹരണത്തിന്, ഡാറ്റ മൂവ് പാഡിൽ റൈറ്റ് ഒരു സ്ക്രിപ്റ്റ് സ്റ്റേറ്റ്‌മെന്റായി മാറിയേക്കാം (ball.position.x += 10). അതിനാൽ, പാഡിൽ വലത്തേക്ക് നീക്കുക എന്ന പ്രോഗ്രാമിന്റെ ആവശ്യമില്ലാതെ തന്നെ, ആക്ഷൻ സ്ക്രിപ്റ്റിലും നിർവചിക്കപ്പെട്ടിരിക്കുന്നു.

നിങ്ങൾക്ക് കൂടുതൽ മുന്നോട്ട് പോയി ഒരു സ്ക്രിപ്റ്റിംഗ് ഭാഷയിൽ മുഴുവൻ തീരുമാന ട്രീയും എഴുതാം. ഇത് ഹാർഡ്കോഡ് ചെയ്ത സോപാധിക പ്രസ്താവനകളുടെ രൂപത്തിലുള്ള കോഡായിരിക്കും, പക്ഷേ അവ ബാഹ്യ സ്ക്രിപ്റ്റ് ഫയലുകളിൽ സ്ഥിതിചെയ്യും, അതായത്, മുഴുവൻ പ്രോഗ്രാമും വീണ്ടും കംപൈൽ ചെയ്യാതെ തന്നെ അവ മാറ്റാനാകും. വ്യത്യസ്‌ത AI പ്രതികരണങ്ങൾ വേഗത്തിൽ പരിശോധിക്കുന്നതിന് ഗെയിംപ്ലേയ്‌ക്കിടെ നിങ്ങൾക്ക് സ്‌ക്രിപ്റ്റ് ഫയൽ എഡിറ്റുചെയ്യാനാകും.

ഇവന്റ് പ്രതികരണം

മുകളിലെ ഉദാഹരണങ്ങൾ പോങ്ങിന് അനുയോജ്യമാണ്. അവർ സെൻസ്/തിങ്ക്/ആക്റ്റ് സൈക്കിൾ തുടർച്ചയായി പ്രവർത്തിപ്പിക്കുകയും ലോകത്തിന്റെ ഏറ്റവും പുതിയ അവസ്ഥയെ അടിസ്ഥാനമാക്കി പ്രവർത്തിക്കുകയും ചെയ്യുന്നു. എന്നാൽ കൂടുതൽ സങ്കീർണ്ണമായ ഗെയിമുകളിൽ നിങ്ങൾ വ്യക്തിഗത സംഭവങ്ങളോട് പ്രതികരിക്കേണ്ടതുണ്ട്, എല്ലാം ഒറ്റയടിക്ക് വിലയിരുത്തരുത്. ഈ കേസിൽ പോംഗ് ഇതിനകം ഒരു മോശം ഉദാഹരണമാണ്. നമുക്ക് മറ്റൊന്ന് തിരഞ്ഞെടുക്കാം.

കളിക്കാരനെ കണ്ടെത്തുന്നതുവരെ ശത്രുക്കൾ അനങ്ങാത്ത ഒരു ഷൂട്ടർ സങ്കൽപ്പിക്കുക, അതിനുശേഷം അവർ അവരുടെ “സ്പെഷ്യലൈസേഷൻ” അനുസരിച്ച് പ്രവർത്തിക്കുന്നു: ആരെങ്കിലും “തിരക്കിലേക്ക്” ഓടും, ആരെങ്കിലും ദൂരെ നിന്ന് ആക്രമിക്കും. ഇത് ഇപ്പോഴും ഒരു അടിസ്ഥാന റിയാക്ടീവ് സിസ്റ്റമാണ് - "ഒരു കളിക്കാരനെ കണ്ടാൽ, എന്തെങ്കിലും ചെയ്യുക" - എന്നാൽ അതിനെ ഒരു കളിക്കാരൻ കണ്ട ഇവന്റിലേക്കും പ്രതികരണത്തിലേക്കും യുക്തിപരമായി വിഭജിക്കാം (ഒരു പ്രതികരണം തിരഞ്ഞെടുത്ത് അത് നടപ്പിലാക്കുക).

ഇത് നമ്മെ സെൻസ്/തിങ്ക്/ആക്റ്റ് സൈക്കിളിലേക്ക് തിരികെ കൊണ്ടുവരുന്നു. AI പ്ലെയറിനെ കാണുന്നുണ്ടോ എന്ന് ഓരോ ഫ്രെയിമും പരിശോധിക്കുന്ന ഒരു സെൻസ് ഭാഗം നമുക്ക് കോഡ് ചെയ്യാൻ കഴിയും. ഇല്ലെങ്കിൽ, ഒന്നും സംഭവിക്കില്ല, പക്ഷേ അത് കണ്ടാൽ, പ്ലേയർ സീൻ ഇവന്റ് സൃഷ്ടിക്കപ്പെടും. "പ്ലയർ സീൻ ഇവന്റ് സംഭവിക്കുമ്പോൾ, ചെയ്യുക" എന്ന് പറയുന്ന ഒരു പ്രത്യേക വിഭാഗം കോഡിന് ഉണ്ടായിരിക്കും, നിങ്ങൾക്ക് തിങ്ക് ആൻഡ് ആക്റ്റ് ഭാഗങ്ങൾ അഭിസംബോധന ചെയ്യേണ്ട പ്രതികരണം എവിടെയാണ്. അങ്ങനെ, നിങ്ങൾ പ്ലെയർ സീൻ ഇവന്റിലേക്ക് പ്രതികരണങ്ങൾ സജ്ജീകരിക്കും: "വേഗത്തിലുള്ള" കഥാപാത്രത്തിന് - ChargeAndAttack, ഒപ്പം സ്നൈപ്പർ - HideAndSnipe. ഈ ബന്ധങ്ങൾ വീണ്ടും കംപൈൽ ചെയ്യാതെ തന്നെ ദ്രുത എഡിറ്റിംഗിനായി ഡാറ്റ ഫയലിൽ സൃഷ്ടിക്കാൻ കഴിയും. ഇവിടെയും സ്ക്രിപ്റ്റിംഗ് ഭാഷ ഉപയോഗിക്കാം.

ബുദ്ധിമുട്ടുള്ള തീരുമാനങ്ങൾ എടുക്കുന്നു

ലളിതമായ പ്രതികരണ സംവിധാനങ്ങൾ വളരെ ശക്തമാണെങ്കിലും, അവ മതിയാകാത്ത നിരവധി സാഹചര്യങ്ങളുണ്ട്. ഏജന്റ് നിലവിൽ ചെയ്യുന്നതിനെ അടിസ്ഥാനമാക്കി ചിലപ്പോൾ നിങ്ങൾ വ്യത്യസ്ത തീരുമാനങ്ങൾ എടുക്കേണ്ടതുണ്ട്, എന്നാൽ ഇത് ഒരു വ്യവസ്ഥയായി സങ്കൽപ്പിക്കാൻ പ്രയാസമാണ്. ചിലപ്പോൾ ഒരു ഡിസിഷൻ ട്രീയിലോ സ്ക്രിപ്റ്റിലോ അവയെ ഫലപ്രദമായി പ്രതിനിധീകരിക്കുന്നതിന് നിരവധി വ്യവസ്ഥകൾ ഉണ്ട്. അടുത്ത ഘട്ടം തീരുമാനിക്കുന്നതിന് മുമ്പ് സാഹചര്യം എങ്ങനെ മാറുമെന്ന് ചിലപ്പോൾ നിങ്ങൾ മുൻകൂട്ടി വിലയിരുത്തേണ്ടതുണ്ട്. ഈ പ്രശ്നങ്ങൾ പരിഹരിക്കുന്നതിന് കൂടുതൽ സങ്കീർണ്ണമായ സമീപനങ്ങൾ ആവശ്യമാണ്.

ഫിനിറ്റ് സ്റ്റേറ്റ് മെഷീൻ

ഫിനിറ്റ് സ്റ്റേറ്റ് മെഷീൻ അല്ലെങ്കിൽ എഫ്എസ്എം (ഫിനൈറ്റ് സ്റ്റേറ്റ് മെഷീൻ) എന്നത് ഞങ്ങളുടെ ഏജന്റ് നിലവിൽ സാധ്യമായ നിരവധി സംസ്ഥാനങ്ങളിൽ ഒന്നിലാണെന്നും അതിന് ഒരു സംസ്ഥാനത്ത് നിന്ന് മറ്റൊന്നിലേക്ക് മാറാൻ കഴിയുമെന്നും പറയാനുള്ള ഒരു മാർഗമാണ്. അത്തരം സംസ്ഥാനങ്ങളുടെ ഒരു നിശ്ചിത എണ്ണം ഉണ്ട്-അതുകൊണ്ടാണ് ഈ പേര്. ജീവിതത്തിൽ നിന്നുള്ള ഏറ്റവും നല്ല ഉദാഹരണം ഒരു ട്രാഫിക് ലൈറ്റ് ആണ്. വ്യത്യസ്‌ത സ്ഥലങ്ങളിൽ ലൈറ്റുകളുടെ വ്യത്യസ്ത ശ്രേണികളുണ്ട്, പക്ഷേ തത്വം ഒന്നുതന്നെയാണ് - ഓരോ സംസ്ഥാനവും എന്തെങ്കിലും പ്രതിനിധീകരിക്കുന്നു (നിർത്തുക, നടക്കുക, മുതലായവ). ഒരു ട്രാഫിക് ലൈറ്റ് എപ്പോൾ വേണമെങ്കിലും ഒരു അവസ്ഥയിൽ മാത്രമായിരിക്കും, ലളിതമായ നിയമങ്ങളെ അടിസ്ഥാനമാക്കി ഒന്നിൽ നിന്ന് മറ്റൊന്നിലേക്ക് നീങ്ങുന്നു.

ഗെയിമുകളിലെ NPC-കളുടെ സമാന കഥയാണിത്. ഉദാഹരണത്തിന്, ഇനിപ്പറയുന്ന അവസ്ഥകളുള്ള ഒരു ഗാർഡ് എടുക്കാം:

• പട്രോളിംഗ്.
• ആക്രമിക്കുന്നു.
• ഓടിപ്പോകുന്നു.

അതിന്റെ അവസ്ഥ മാറ്റുന്നതിനുള്ള ഈ വ്യവസ്ഥകൾ:

• കാവൽക്കാരൻ ശത്രുവിനെ കണ്ടാൽ ആക്രമിക്കുന്നു.
• കാവൽക്കാരൻ ആക്രമിച്ചെങ്കിലും ശത്രുവിനെ കണ്ടില്ലെങ്കിൽ, അയാൾ പട്രോളിംഗിന് മടങ്ങുന്നു.
• ഒരു കാവൽക്കാരൻ ആക്രമിച്ചെങ്കിലും ഗുരുതരമായി പരിക്കേറ്റാൽ അവൻ ഓടിപ്പോകും.

നിങ്ങൾക്ക് ഒരു ഗാർഡിയൻ സ്റ്റേറ്റ് വേരിയബിളും വിവിധ പരിശോധനകളും ഉപയോഗിച്ച് if-സ്റ്റേറ്റ്‌മെന്റുകൾ എഴുതാനും കഴിയും: സമീപത്ത് ഒരു ശത്രു ഉണ്ടോ, NPC-യുടെ ആരോഗ്യനില എന്താണ്, മുതലായവ. നമുക്ക് കുറച്ച് സംസ്ഥാനങ്ങൾ കൂടി ചേർക്കാം:

• അലസത - പട്രോളിംഗിനിടയിൽ.
• തിരയുന്നു - ശ്രദ്ധിക്കപ്പെട്ട ശത്രു അപ്രത്യക്ഷമാകുമ്പോൾ.
• സഹായം കണ്ടെത്തൽ - ഒരു ശത്രുവിനെ കണ്ടെത്തുമ്പോൾ, എന്നാൽ ഒറ്റയ്ക്ക് പോരാടാൻ കഴിയാത്തത്ര ശക്തനാണ്.

അവയിൽ ഓരോന്നിന്റെയും തിരഞ്ഞെടുപ്പ് പരിമിതമാണ് - ഉദാഹരണത്തിന്, കാവൽക്കാരൻ ആരോഗ്യം കുറവാണെങ്കിൽ മറഞ്ഞിരിക്കുന്ന ശത്രുവിനെ അന്വേഷിക്കില്ല.

ഒടുവിൽ " പിന്നെ " എന്ന വലിയ ലിസ്റ്റ് വളരെ അപ്രസക്തമാകും, അതിനാൽ സംസ്ഥാനങ്ങൾക്കിടയിലുള്ള അവസ്ഥകളും പരിവർത്തനങ്ങളും മനസ്സിൽ സൂക്ഷിക്കാൻ ഞങ്ങളെ അനുവദിക്കുന്ന ഒരു രീതി ഞങ്ങൾ ഔപചാരികമാക്കേണ്ടതുണ്ട്. ഇത് ചെയ്യുന്നതിന്, ഞങ്ങൾ എല്ലാ സംസ്ഥാനങ്ങളും കണക്കിലെടുക്കുന്നു, ഓരോ സംസ്ഥാനത്തിനും കീഴിൽ മറ്റ് സംസ്ഥാനങ്ങളിലേക്കുള്ള എല്ലാ പരിവർത്തനങ്ങളും അവയ്ക്ക് ആവശ്യമായ വ്യവസ്ഥകളും ഞങ്ങൾ ഒരു പട്ടികയിൽ എഴുതുന്നു.

ഇതൊരു സംസ്ഥാന പരിവർത്തന പട്ടികയാണ് - FSM-നെ പ്രതിനിധീകരിക്കുന്നതിനുള്ള ഒരു സമഗ്ര മാർഗം. നമുക്ക് ഒരു ഡയഗ്രം വരച്ച് NPC സ്വഭാവം എങ്ങനെ മാറും എന്നതിന്റെ പൂർണ്ണമായ അവലോകനം നേടാം.

നിലവിലെ സാഹചര്യത്തെ അടിസ്ഥാനമാക്കി ഈ ഏജന്റിനായി തീരുമാനമെടുക്കുന്നതിന്റെ സാരാംശം ഡയഗ്രം പ്രതിഫലിപ്പിക്കുന്നു. മാത്രമല്ല, ഓരോ അമ്പടയാളവും അതിനടുത്തുള്ള അവസ്ഥ ശരിയാണെങ്കിൽ സംസ്ഥാനങ്ങൾക്കിടയിൽ ഒരു പരിവർത്തനം കാണിക്കുന്നു.

ഓരോ അപ്‌ഡേറ്റും ഞങ്ങൾ ഏജന്റിന്റെ നിലവിലെ അവസ്ഥ പരിശോധിക്കുന്നു, സംക്രമണങ്ങളുടെ പട്ടികയിലൂടെ നോക്കുന്നു, കൂടാതെ പരിവർത്തനത്തിനുള്ള വ്യവസ്ഥകൾ പാലിക്കുകയാണെങ്കിൽ, അത് പുതിയ അവസ്ഥയെ അംഗീകരിക്കുന്നു. ഉദാഹരണത്തിന്, ഓരോ ഫ്രെയിമും 10-സെക്കൻഡ് ടൈമർ കാലഹരണപ്പെട്ടോ എന്ന് പരിശോധിക്കുന്നു, അങ്ങനെയാണെങ്കിൽ, ഗാർഡ് ഐഡ്‌ലിംഗ് അവസ്ഥയിൽ നിന്ന് പട്രോളിംഗിലേക്ക് പോകുന്നു. അതുപോലെ, അറ്റാക്കിംഗ് സ്റ്റേറ്റ് ഏജന്റിന്റെ ആരോഗ്യം പരിശോധിക്കുന്നു - അത് കുറവാണെങ്കിൽ, അത് ഫ്ലീയിംഗ് അവസ്ഥയിലേക്ക് പോകുന്നു.

ഇത് സംസ്ഥാനങ്ങൾക്കിടയിലുള്ള പരിവർത്തനങ്ങൾ കൈകാര്യം ചെയ്യുന്നു, എന്നാൽ സംസ്ഥാനങ്ങളുമായി ബന്ധപ്പെട്ട പെരുമാറ്റത്തെക്കുറിച്ച് എന്താണ്? ഒരു പ്രത്യേക സംസ്ഥാനത്തിന്റെ യഥാർത്ഥ സ്വഭാവം നടപ്പിലാക്കുന്ന കാര്യത്തിൽ, FSM-ന് ഞങ്ങൾ പ്രവർത്തനങ്ങൾ നിയോഗിക്കുന്ന രണ്ട് തരം "ഹുക്ക്" ഉണ്ട്:

• നിലവിലെ അവസ്ഥയ്ക്കായി ഞങ്ങൾ ആനുകാലികമായി ചെയ്യുന്ന പ്രവർത്തനങ്ങൾ.
• ഒരു സംസ്ഥാനത്ത് നിന്ന് മറ്റൊന്നിലേക്ക് മാറുമ്പോൾ നമ്മൾ ചെയ്യുന്ന പ്രവർത്തനങ്ങൾ.

ആദ്യ തരം ഉദാഹരണങ്ങൾ. ഓരോ ഫ്രെയിമിലും പട്രോളിംഗ് സംസ്ഥാനം ഏജന്റിനെ പട്രോളിംഗ് റൂട്ടിലൂടെ നീക്കും. ആക്രമിക്കുന്ന സംസ്ഥാനം ഓരോ ഫ്രെയിമിലും ഒരു ആക്രമണം ആരംഭിക്കാൻ ശ്രമിക്കും അല്ലെങ്കിൽ ഇത് സാധ്യമാകുന്ന ഒരു അവസ്ഥയിലേക്ക് മാറും.

രണ്ടാമത്തെ തരത്തിന്, പരിവർത്തനം പരിഗണിക്കുക “ശത്രു ദൃശ്യമാണെങ്കിൽ, ശത്രു വളരെ ശക്തനാണെങ്കിൽ, ഫൈൻഡിംഗ് ഹെൽപ്പ് അവസ്ഥയിലേക്ക് പോകുക. സഹായത്തിനായി എവിടേക്ക് പോകണമെന്ന് ഏജന്റ് തിരഞ്ഞെടുക്കുകയും ഈ വിവരങ്ങൾ സംഭരിക്കുകയും വേണം, അതിലൂടെ എവിടെ പോകണമെന്ന് ഫൈൻഡിംഗ് ഹെൽപ്പ് സ്റ്റേറ്റിന് അറിയാം. സഹായം കണ്ടെത്തിക്കഴിഞ്ഞാൽ, ഏജന്റ് ആക്രമിക്കുന്ന അവസ്ഥയിലേക്ക് മടങ്ങുന്നു. ഈ സമയത്ത്, ഭീഷണിയെക്കുറിച്ച് സഖ്യകക്ഷിയോട് പറയാൻ അവൻ ആഗ്രഹിക്കുന്നു, അതിനാൽ NotifyFriendOfThreat പ്രവർത്തനം സംഭവിക്കാം.

ഒരിക്കൽ കൂടി, സെൻസ്/തിങ്ക്/ആക്റ്റ് സൈക്കിളിന്റെ ലെൻസിലൂടെ നമുക്ക് ഈ സംവിധാനത്തെ നോക്കാം. സംക്രമണ ലോജിക് ഉപയോഗിക്കുന്ന ഡാറ്റയിൽ സെൻസ് ഉൾക്കൊള്ളുന്നു. ചിന്തിക്കുക - ഓരോ സംസ്ഥാനത്തും പരിവർത്തനങ്ങൾ ലഭ്യമാണ്. ഒരു സംസ്ഥാനത്തിനുള്ളിൽ അല്ലെങ്കിൽ സംസ്ഥാനങ്ങൾ തമ്മിലുള്ള പരിവർത്തനങ്ങളിൽ ഇടയ്ക്കിടെ നടത്തുന്ന പ്രവർത്തനങ്ങളിലൂടെയാണ് നിയമം നടപ്പിലാക്കുന്നത്.

ചിലപ്പോൾ തുടർച്ചയായി പോളിംഗ് ട്രാൻസിഷൻ അവസ്ഥകൾ ചെലവേറിയേക്കാം. ഉദാഹരണത്തിന്, ഓരോ ഏജന്റും ഓരോ ഫ്രെയിമും സങ്കീർണ്ണമായ കണക്കുകൂട്ടലുകൾ നടത്തുകയാണെങ്കിൽ, ശത്രുക്കളെ കാണാനും പട്രോളിംഗിൽ നിന്ന് ആക്രമണ നിലയിലേക്ക് മാറാൻ കഴിയുമോ എന്ന് മനസ്സിലാക്കാനും കഴിയുമോ എന്ന് നിർണ്ണയിക്കാൻ, ഇതിന് ധാരാളം CPU സമയമെടുക്കും.

ലോകത്തിന്റെ അവസ്ഥയിലെ പ്രധാന മാറ്റങ്ങളെ അവ സംഭവിക്കുമ്പോൾ പ്രോസസ്സ് ചെയ്യുന്ന സംഭവങ്ങളായി കണക്കാക്കാം. "എന്റെ ഏജന്റിന് പ്ലെയർ കാണാൻ കഴിയുമോ?" എന്ന ട്രാൻസിഷൻ അവസ്ഥ പരിശോധിക്കുന്നതിന് പകരം, ഓരോ ഫ്രെയിമിലും, കുറച്ച് ഇടയ്ക്കിടെ പരിശോധിക്കാൻ ഒരു പ്രത്യേക സിസ്റ്റം കോൺഫിഗർ ചെയ്യാവുന്നതാണ് (ഉദാ. സെക്കൻഡിൽ 5 തവണ). ചെക്ക് പാസാകുമ്പോൾ പ്ലേയർ സീൻ ഇഷ്യൂ ചെയ്യുന്നതാണ് ഫലം.

ഇത് FSM-ന് കൈമാറുന്നു, അത് ഇപ്പോൾ പ്ലേയർ സീൻ ഇവന്റ് സ്വീകരിച്ച അവസ്ഥയിലേക്ക് പോകുകയും അതിനനുസരിച്ച് പ്രതികരിക്കുകയും വേണം. പ്രതികരിക്കുന്നതിന് മുമ്പുള്ള ഏതാണ്ട് അദൃശ്യമായ കാലതാമസം ഒഴികെ തത്ഫലമായുണ്ടാകുന്ന പെരുമാറ്റം സമാനമാണ്. എന്നാൽ സെൻസ് ഭാഗത്തെ പ്രോഗ്രാമിന്റെ ഒരു പ്രത്യേക ഭാഗമായി വേർതിരിക്കുന്നതിന്റെ ഫലമായി പ്രകടനം മെച്ചപ്പെട്ടു.

ഹൈരാർക്കിക്കൽ ഫിനിറ്റ് സ്റ്റേറ്റ് മെഷീൻ

എന്നിരുന്നാലും, വലിയ എഫ്എസ്എമ്മുകളിൽ പ്രവർത്തിക്കുന്നത് എല്ലായ്പ്പോഴും സൗകര്യപ്രദമല്ല. MeleeAttacking, RangedAttacking എന്നിവ വേർതിരിക്കാനായി നമുക്ക് ആക്രമണ നില വിപുലീകരിക്കണമെങ്കിൽ, ആക്രമണ നിലയിലേക്ക് (നിലവിലും ഭാവിയിലും) നയിക്കുന്ന മറ്റെല്ലാ സംസ്ഥാനങ്ങളിൽ നിന്നും പരിവർത്തനങ്ങൾ മാറ്റേണ്ടിവരും.

ഞങ്ങളുടെ ഉദാഹരണത്തിൽ ധാരാളം ഡ്യൂപ്ലിക്കേറ്റ് സംക്രമണങ്ങൾ ഉണ്ടെന്ന് നിങ്ങൾ ശ്രദ്ധിച്ചിരിക്കാം. ഇഡ്‌ലിംഗ് അവസ്ഥയിലെ മിക്ക സംക്രമണങ്ങളും പട്രോളിംഗ് അവസ്ഥയിലെ പരിവർത്തനങ്ങൾക്ക് സമാനമാണ്. സ്വയം ആവർത്തിക്കാതിരിക്കുന്നതാണ് നല്ലത്, പ്രത്യേകിച്ചും ഞങ്ങൾ സമാനമായ കൂടുതൽ സംസ്ഥാനങ്ങൾ ചേർക്കുകയാണെങ്കിൽ. "നോൺ-കോംബാറ്റ്" എന്ന പൊതു ലേബലിന് കീഴിൽ ഇഡ്‌ലിംഗും പട്രോളിംഗും ഗ്രൂപ്പുചെയ്യുന്നത് യുക്തിസഹമാണ്, അവിടെ സംസ്ഥാനങ്ങളെ ചെറുക്കുന്നതിന് പൊതുവായ ഒരു കൂട്ടം മാത്രമേ ഉള്ളൂ. ഈ ലേബൽ ഒരു സംസ്ഥാനമായി ഞങ്ങൾ കരുതുന്നുവെങ്കിൽ, ഇഡ്‌ലിംഗും പട്രോളിംഗും സബ്‌സ്റ്റേറ്റുകളായി മാറുന്നു. ഒരു പുതിയ നോൺ-കോംബാറ്റ് സബ്‌സ്റ്റേറ്റിനായി പ്രത്യേക ട്രാൻസിഷൻ ടേബിൾ ഉപയോഗിക്കുന്നതിന്റെ ഉദാഹരണം:

പ്രധാന സംസ്ഥാനങ്ങൾ:


പോരാട്ട നിലയ്ക്ക് പുറത്താണ്:


കൂടാതെ ഡയഗ്രം രൂപത്തിൽ:

ഇത് ഒരേ സംവിധാനമാണ്, എന്നാൽ ഇഡ്‌ലിംഗും പട്രോളിംഗും ഉൾപ്പെടുന്ന ഒരു പുതിയ നോൺ-കോംബാറ്റ് സ്റ്റേറ്റിനൊപ്പം. സബ്‌സ്‌റ്റേറ്റുകളുള്ള ഒരു എഫ്‌എസ്‌എം അടങ്ങിയിരിക്കുന്ന ഓരോ സ്‌റ്റേറ്റിലും (ഈ സബ്‌സ്‌റ്റേറ്റുകൾ, അവരുടേതായ എഫ്‌എസ്‌എമ്മുകൾ - അങ്ങനെ നിങ്ങൾക്ക് ആവശ്യമുള്ളിടത്തോളം കാലം), ഞങ്ങൾക്ക് ഒരു ഹൈറാർക്കിക്കൽ ഫിനിറ്റ് സ്റ്റേറ്റ് മെഷീൻ അല്ലെങ്കിൽ എച്ച്‌എഫ്‌എസ്‌എം (ഹൈരാർക്കിക്കൽ ഫിനിറ്റ് സ്റ്റേറ്റ് മെഷീൻ) ലഭിക്കും. നോൺ-കോംബാറ്റ് സ്റ്റേറ്റിനെ ഗ്രൂപ്പുചെയ്യുന്നതിലൂടെ, അനാവശ്യമായ പരിവർത്തനങ്ങളുടെ ഒരു കൂട്ടം ഞങ്ങൾ വെട്ടിക്കളഞ്ഞു. പൊതുവായ പരിവർത്തനങ്ങളുള്ള ഏത് പുതിയ സംസ്ഥാനങ്ങളിലും ഞങ്ങൾക്ക് ഇത് ചെയ്യാൻ കഴിയും. ഉദാഹരണത്തിന്, ഭാവിയിൽ ഞങ്ങൾ ആക്രമണ നിലയെ MeleeAttacking and MissileAttacking സ്റ്റേറ്റുകളിലേക്ക് വിപുലീകരിക്കുകയാണെങ്കിൽ, ശത്രുവിലേക്കുള്ള ദൂരവും വെടിയുണ്ടകളുടെ ലഭ്യതയും അടിസ്ഥാനമാക്കി പരസ്പരം പരിവർത്തനം ചെയ്യുന്ന സബ്സ്റ്റേറ്റുകളായിരിക്കും അവ. തൽഫലമായി, സങ്കീർണ്ണമായ പെരുമാറ്റങ്ങളും ഉപ-പെരുമാറ്റങ്ങളും ചുരുങ്ങിയ ഡ്യൂപ്ലിക്കേറ്റ് സംക്രമണങ്ങളോടെ പ്രതിനിധീകരിക്കാൻ കഴിയും.

പെരുമാറ്റ വൃക്ഷം

HFSM ഉപയോഗിച്ച്, പെരുമാറ്റങ്ങളുടെ സങ്കീർണ്ണമായ കോമ്പിനേഷനുകൾ ലളിതമായ രീതിയിൽ സൃഷ്ടിക്കപ്പെടുന്നു. എന്നിരുന്നാലും, പരിവർത്തന നിയമങ്ങളുടെ രൂപത്തിൽ തീരുമാനമെടുക്കുന്നത് നിലവിലെ അവസ്ഥയുമായി അടുത്ത ബന്ധമുള്ളതിനാൽ ഒരു ചെറിയ ബുദ്ധിമുട്ടുണ്ട്. പല ഗെയിമുകളിലും ഇത് കൃത്യമായി ആവശ്യമാണ്. സംസ്ഥാന ശ്രേണിയുടെ ശ്രദ്ധാപൂർവമായ ഉപയോഗം പരിവർത്തന ആവർത്തനങ്ങളുടെ എണ്ണം കുറയ്ക്കും. എന്നാൽ ചിലപ്പോൾ നിങ്ങൾ ഏത് സംസ്ഥാനത്താണെങ്കിലും പ്രവർത്തിക്കുന്നതോ അല്ലെങ്കിൽ ഏത് സംസ്ഥാനത്തും ബാധകമായതോ ആയ നിയമങ്ങൾ നിങ്ങൾക്ക് ആവശ്യമാണ്. ഉദാഹരണത്തിന്, ഒരു ഏജന്റിന്റെ ആരോഗ്യം 25% ആയി കുറയുകയാണെങ്കിൽ, അവൻ യുദ്ധത്തിലായിരുന്നോ, നിഷ്‌ക്രിയനായിരുന്നോ, സംസാരിക്കുന്നവനായിരുന്നോ എന്നത് പരിഗണിക്കാതെ തന്നെ അയാൾ ഓടിപ്പോകണമെന്ന് നിങ്ങൾ ആഗ്രഹിക്കുന്നു - നിങ്ങൾ ഈ അവസ്ഥ ഓരോ സംസ്ഥാനത്തിലേക്കും ചേർക്കേണ്ടിവരും. നിങ്ങളുടെ ഡിസൈനർ പിന്നീട് കുറഞ്ഞ ആരോഗ്യ പരിധി 25% ൽ നിന്ന് 10% ആയി മാറ്റാൻ ആഗ്രഹിക്കുന്നുവെങ്കിൽ, ഇത് വീണ്ടും ചെയ്യേണ്ടിവരും.

ഒരു സ്ഥലത്ത് മാത്രം മാറ്റങ്ങൾ വരുത്തുന്നതിനും പരിവർത്തന വ്യവസ്ഥകളെ സ്പർശിക്കാതിരിക്കുന്നതിനും "ഏത് അവസ്ഥയിലായിരിക്കണം" എന്നതിനെക്കുറിച്ചുള്ള തീരുമാനങ്ങൾ സംസ്ഥാനങ്ങൾക്ക് പുറത്തുള്ള ഒരു സംവിധാനം ഈ സാഹചര്യത്തിന് ആവശ്യമാണ്. പെരുമാറ്റ മരങ്ങൾ ഇവിടെ പ്രത്യക്ഷപ്പെടുന്നു.

അവ നടപ്പിലാക്കാൻ നിരവധി മാർഗങ്ങളുണ്ട്, പക്ഷേ സാരാംശം എല്ലാവർക്കും തുല്യമാണ്, ഒരു തീരുമാന ട്രീക്ക് സമാനമാണ്: അൽഗോരിതം ആരംഭിക്കുന്നത് ഒരു "റൂട്ട്" നോഡിൽ നിന്നാണ്, കൂടാതെ ട്രീയിൽ തീരുമാനങ്ങളെയോ പ്രവർത്തനങ്ങളെയോ പ്രതിനിധീകരിക്കുന്ന നോഡുകൾ അടങ്ങിയിരിക്കുന്നു. എന്നിരുന്നാലും ചില പ്രധാന വ്യത്യാസങ്ങളുണ്ട്:

• നോഡുകൾ ഇപ്പോൾ മൂന്ന് മൂല്യങ്ങളിൽ ഒന്ന് നൽകുന്നു: വിജയിച്ചു (ജോലി പൂർത്തിയായാൽ), പരാജയപ്പെട്ടു (അത് ആരംഭിക്കാൻ കഴിയുന്നില്ലെങ്കിൽ), അല്ലെങ്കിൽ റണ്ണിംഗ് (അത് ഇപ്പോഴും പ്രവർത്തിക്കുകയും അന്തിമഫലം ഇല്ലെങ്കിൽ).
• രണ്ട് ബദലുകൾക്കിടയിൽ തിരഞ്ഞെടുക്കാൻ കൂടുതൽ തീരുമാന നോഡുകൾ ഇല്ല. പകരം, അവ ഒരു ചൈൽഡ് നോഡുള്ള ഡെക്കറേറ്റർ നോഡുകളാണ്. അവർ വിജയിച്ചാൽ, അവർ അവരുടെ ഏക ചൈൽഡ് നോഡ് എക്സിക്യൂട്ട് ചെയ്യുന്നു.
• പ്രവർത്തനങ്ങൾ നടത്തുന്ന നോഡുകൾ നടപ്പിലാക്കുന്ന പ്രവർത്തനങ്ങളെ പ്രതിനിധീകരിക്കുന്നതിന് ഒരു റണ്ണിംഗ് മൂല്യം നൽകുന്നു.

ഈ ചെറിയ കൂട്ടം നോഡുകൾ സംയോജിപ്പിച്ച് സങ്കീർണ്ണമായ പെരുമാറ്റങ്ങൾ സൃഷ്ടിക്കാൻ കഴിയും. മുമ്പത്തെ ഉദാഹരണത്തിൽ നിന്നുള്ള HFSM ഗാർഡ് ഒരു പെരുമാറ്റ ട്രീ ആയി സങ്കൽപ്പിക്കുക:

ഈ ഘടന ഉപയോഗിച്ച്, ഇഡ്‌ലിംഗ്/പട്രോളിംഗ് സംസ്ഥാനങ്ങളിൽ നിന്ന് ആക്രമണത്തിലേക്കോ മറ്റേതെങ്കിലും സംസ്ഥാനങ്ങളിലേക്കോ വ്യക്തമായ പരിവർത്തനം ഉണ്ടാകരുത്. ഒരു ശത്രു ദൃശ്യമാകുകയും കഥാപാത്രത്തിന്റെ ആരോഗ്യം കുറവായിരിക്കുകയും ചെയ്താൽ, അത് മുമ്പ് ഏത് നോഡ് എക്‌സിക്യൂട്ട് ചെയ്‌താലും - പട്രോളിംഗ്, ഐഡ്‌ലിംഗ്, അറ്റാക്കിംഗ് അല്ലെങ്കിൽ മറ്റെന്തെങ്കിലും പരിഗണിക്കാതെ തന്നെ എക്‌സിക്യൂഷൻ ഫ്ലീയിംഗ് നോഡിൽ നിർത്തും.

പെരുമാറ്റ മരങ്ങൾ സങ്കീർണ്ണമാണ് - അവ രചിക്കുന്നതിന് നിരവധി മാർഗങ്ങളുണ്ട്, കൂടാതെ അലങ്കാരവസ്തുക്കളുടെയും സംയുക്ത നോഡുകളുടെയും ശരിയായ സംയോജനം കണ്ടെത്തുന്നത് വെല്ലുവിളി നിറഞ്ഞതാണ്. എത്ര തവണ മരം പരിശോധിക്കണം എന്നതിനെക്കുറിച്ചുള്ള ചോദ്യങ്ങളും ഉണ്ട് - അതിന്റെ എല്ലാ ഭാഗങ്ങളിലൂടെയും പോകണോ അതോ വ്യവസ്ഥകളിലൊന്ന് മാറുമ്പോൾ മാത്രം പോകണോ? നോഡുകളെ സംബന്ധിക്കുന്ന അവസ്ഥ എങ്ങനെ സംഭരിക്കാം - 10 സെക്കൻഡ് നേരം നിഷ്‌ക്രിയമായിരിക്കുമ്പോൾ നമുക്ക് എങ്ങനെ അറിയാം, അല്ലെങ്കിൽ കഴിഞ്ഞ തവണ ഏതൊക്കെ നോഡുകൾ എക്‌സിക്യൂട്ട് ചെയ്തുവെന്ന് നമുക്ക് എങ്ങനെ അറിയാം, അങ്ങനെ നമുക്ക് ക്രമം ശരിയായി പ്രോസസ്സ് ചെയ്യാൻ കഴിയും?

ഇക്കാരണത്താൽ, നിരവധി നടപ്പാക്കലുകൾ ഉണ്ട്. ഉദാഹരണത്തിന്, ചില സിസ്റ്റങ്ങൾ ഡെക്കറേറ്റർ നോഡുകൾക്ക് പകരം ഇൻലൈൻ ഡെക്കറേറ്ററുകൾ ഉപയോഗിച്ചു. ഡെക്കറേറ്റർ അവസ്ഥകൾ മാറുമ്പോൾ അവർ ട്രീയെ വീണ്ടും വിലയിരുത്തുന്നു, നോഡുകളിൽ ചേരാൻ സഹായിക്കുന്നു, ആനുകാലിക അപ്‌ഡേറ്റുകൾ നൽകുന്നു.

യൂട്ടിലിറ്റി അടിസ്ഥാനമാക്കിയുള്ള സിസ്റ്റം

ചില ഗെയിമുകൾക്ക് വ്യത്യസ്ത മെക്കാനിക്കുകൾ ഉണ്ട്. ലളിതവും പൊതുവായതുമായ പരിവർത്തന നിയമങ്ങളുടെ എല്ലാ ആനുകൂല്യങ്ങളും അവർക്ക് ലഭിക്കുന്നത് അഭികാമ്യമാണ്, പക്ഷേ പെരുമാറ്റത്തിന്റെ പൂർണ്ണമായ വൃക്ഷത്തിന്റെ രൂപത്തിൽ അത് ആവശ്യമില്ല. വ്യക്തമായ ഒരു സെറ്റ് ചോയ്‌സുകളോ സാധ്യമായ പ്രവർത്തനങ്ങളുടെ ഒരു വൃക്ഷമോ ഉള്ളതിനുപകരം, എല്ലാ പ്രവർത്തനങ്ങളും പരിശോധിച്ച് ഇപ്പോൾ ഏറ്റവും അനുയോജ്യമായത് തിരഞ്ഞെടുക്കുന്നത് എളുപ്പമാണ്.

യൂട്ടിലിറ്റി അടിസ്ഥാനമാക്കിയുള്ള സിസ്റ്റം ഇതിന് സഹായിക്കും. ഏജന്റിന് വൈവിധ്യമാർന്ന പ്രവർത്തനങ്ങളുള്ളതും ഓരോന്നിന്റെയും ആപേക്ഷിക യൂട്ടിലിറ്റിയെ അടിസ്ഥാനമാക്കി ഏതൊക്കെ ചെയ്യണമെന്ന് തിരഞ്ഞെടുക്കുന്നതുമായ ഒരു സംവിധാനമാണിത്. ഈ പ്രവർത്തനം ഏജന്റിന് എത്രത്തോളം പ്രധാനമാണ് അല്ലെങ്കിൽ അഭികാമ്യം എന്നതിന്റെ ഏകപക്ഷീയമായ അളവുകോലാണ് യൂട്ടിലിറ്റി.

നിലവിലെ അവസ്ഥയും പരിസ്ഥിതിയും അടിസ്ഥാനമാക്കിയുള്ള പ്രവർത്തനത്തിന്റെ കണക്കാക്കിയ യൂട്ടിലിറ്റി, ഏജന്റിന് എപ്പോൾ വേണമെങ്കിലും ഏറ്റവും അനുയോജ്യമായ മറ്റ് സംസ്ഥാനം പരിശോധിച്ച് തിരഞ്ഞെടുക്കാനാകും. ഇത് FSM-ന് സമാനമാണ്, നിലവിലുള്ളത് ഉൾപ്പെടെ, ഓരോ സാധ്യതയുള്ള അവസ്ഥയ്ക്കും ഒരു എസ്റ്റിമേറ്റ് അനുസരിച്ചാണ് സംക്രമണങ്ങൾ നിർണ്ണയിക്കുന്നത്. മുന്നോട്ട് പോകാൻ ഞങ്ങൾ ഏറ്റവും ഉപയോഗപ്രദമായ പ്രവർത്തനം തിരഞ്ഞെടുക്കുന്നുവെന്നത് ശ്രദ്ധിക്കുക (അല്ലെങ്കിൽ ഞങ്ങൾ ഇതിനകം പൂർത്തിയാക്കിയിട്ടുണ്ടെങ്കിൽ തുടരുക). കൂടുതൽ വൈവിധ്യത്തിന്, ഇത് ഒരു ചെറിയ ലിസ്റ്റിൽ നിന്ന് സന്തുലിതവും എന്നാൽ ക്രമരഹിതവുമായ തിരഞ്ഞെടുപ്പായിരിക്കാം.

സിസ്റ്റം യൂട്ടിലിറ്റി മൂല്യങ്ങളുടെ അനിയന്ത്രിതമായ ശ്രേണി നൽകുന്നു-ഉദാഹരണത്തിന്, 0 (പൂർണ്ണമായും അഭികാമ്യമല്ലാത്തത്) മുതൽ 100 ​​വരെ (പൂർണ്ണമായും അഭികാമ്യം). ഓരോ പ്രവർത്തനത്തിനും ഈ മൂല്യത്തിന്റെ കണക്കുകൂട്ടലിനെ ബാധിക്കുന്ന നിരവധി പാരാമീറ്ററുകൾ ഉണ്ട്. ഞങ്ങളുടെ രക്ഷാധികാരി ഉദാഹരണത്തിലേക്ക് മടങ്ങുന്നു:

പ്രവർത്തനങ്ങൾക്കിടയിലുള്ള പരിവർത്തനങ്ങൾ അവ്യക്തമാണ്-ഏത് സംസ്ഥാനത്തിനും മറ്റേതെങ്കിലും പിന്തുടരാനാകും. റിട്ടേൺ ചെയ്ത യൂട്ടിലിറ്റി മൂല്യങ്ങളിൽ പ്രവർത്തന മുൻഗണനകൾ കാണപ്പെടുന്നു. ഒരു ശത്രു ദൃശ്യമാണെങ്കിൽ, ആ ശത്രു ശക്തനാണെങ്കിൽ, കഥാപാത്രത്തിന്റെ ആരോഗ്യം കുറവാണെങ്കിൽ, Fleeing ഉം FindingHelp ഉം ഉയർന്ന പൂജ്യമല്ലാത്ത മൂല്യങ്ങൾ നൽകും. ഈ സാഹചര്യത്തിൽ, FindingHelp എല്ലായ്പ്പോഴും ഉയർന്നതായിരിക്കും. അതുപോലെ, നോൺ-കോംബാറ്റ് പ്രവർത്തനങ്ങൾ ഒരിക്കലും 50-ൽ കൂടുതൽ തിരികെ നൽകില്ല, അതിനാൽ അവ എല്ലായ്പ്പോഴും പോരാട്ടങ്ങളേക്കാൾ താഴ്ന്നതായിരിക്കും. പ്രവർത്തനങ്ങൾ സൃഷ്ടിക്കുമ്പോഴും അവയുടെ യൂട്ടിലിറ്റി കണക്കാക്കുമ്പോഴും നിങ്ങൾ ഇത് കണക്കിലെടുക്കേണ്ടതുണ്ട്.

ഞങ്ങളുടെ ഉദാഹരണത്തിൽ, പ്രവർത്തനങ്ങൾ ഒരു നിശ്ചിത സ്ഥിരമായ മൂല്യം അല്ലെങ്കിൽ രണ്ട് സ്ഥിര മൂല്യങ്ങളിൽ ഒന്ന് നൽകുന്നു. കൂടുതൽ റിയലിസ്റ്റിക് സിസ്റ്റം മൂല്യങ്ങളുടെ തുടർച്ചയായ ശ്രേണിയിൽ നിന്ന് ഒരു എസ്റ്റിമേറ്റ് നൽകും. ഉദാഹരണത്തിന്, ഏജന്റിന്റെ ആരോഗ്യം കുറവാണെങ്കിൽ ഫ്ലീയിംഗ് പ്രവർത്തനം ഉയർന്ന യൂട്ടിലിറ്റി മൂല്യങ്ങൾ നൽകുന്നു, ശത്രു വളരെ ശക്തനാണെങ്കിൽ ആക്രമണ പ്രവർത്തനം താഴ്ന്ന യൂട്ടിലിറ്റി മൂല്യങ്ങൾ നൽകുന്നു. ഇക്കാരണത്താൽ, ശത്രുവിനെ പരാജയപ്പെടുത്താൻ മതിയായ ആരോഗ്യമില്ലെന്ന് ഏജന്റിന് തോന്നുന്ന ഏത് സാഹചര്യത്തിലും ആക്രമണത്തേക്കാൾ ഫ്ലീയിംഗ് പ്രവർത്തനത്തിന് മുൻഗണന ലഭിക്കും. ഏത് മാനദണ്ഡങ്ങൾക്കനുസൃതമായും പ്രവർത്തനങ്ങൾക്ക് മുൻഗണന നൽകുന്നതിന് ഇത് അനുവദിക്കുന്നു, ഈ സമീപനം ഒരു പെരുമാറ്റ മരത്തെക്കാളും FSM-നെക്കാളും കൂടുതൽ വഴക്കമുള്ളതും വേരിയബിളും ആക്കുന്നു.

ഓരോ പ്രവർത്തനത്തിനും പ്രോഗ്രാം കണക്കുകൂട്ടുന്നതിനുള്ള നിരവധി വ്യവസ്ഥകൾ ഉണ്ട്. അവ സ്ക്രിപ്റ്റിംഗ് ഭാഷയിലോ ഗണിത സൂത്രവാക്യങ്ങളുടെ ഒരു പരമ്പരയായോ എഴുതാം. ഒരു കഥാപാത്രത്തിന്റെ ദിനചര്യയെ അനുകരിക്കുന്ന സിംസ്, കണക്കുകൂട്ടലിന്റെ ഒരു അധിക പാളി ചേർക്കുന്നു - യൂട്ടിലിറ്റി റേറ്റിംഗുകളെ സ്വാധീനിക്കുന്ന "പ്രേരണകളുടെ" ഒരു പരമ്പര ഏജന്റിന് ലഭിക്കുന്നു. ഒരു കഥാപാത്രം വിശക്കുന്നുണ്ടെങ്കിൽ, കാലക്രമേണ അവർ കൂടുതൽ വിശപ്പുള്ളവരായി മാറും, കഥാപാത്രം അത് നിർവഹിക്കുന്നത് വരെ EatFood പ്രവർത്തനത്തിന്റെ യൂട്ടിലിറ്റി മൂല്യം വർദ്ധിക്കുകയും വിശപ്പിന്റെ അളവ് കുറയ്ക്കുകയും EatFood മൂല്യം പൂജ്യത്തിലേക്ക് തിരികെ നൽകുകയും ചെയ്യും.

ഒരു റേറ്റിംഗ് സിസ്റ്റത്തെ അടിസ്ഥാനമാക്കിയുള്ള പ്രവർത്തനങ്ങൾ തിരഞ്ഞെടുക്കുന്നതിനുള്ള ആശയം വളരെ ലളിതമാണ്, അതിനാൽ അവയ്ക്ക് പൂർണ്ണമായ പകരമായി ഉപയോഗിക്കുന്നതിനുപകരം, AI തീരുമാനമെടുക്കൽ പ്രക്രിയകളുടെ ഭാഗമായി ഒരു യൂട്ടിലിറ്റി അടിസ്ഥാനമാക്കിയുള്ള സിസ്റ്റം ഉപയോഗിക്കാം. ഡിസിഷൻ ട്രീ രണ്ട് ചൈൽഡ് നോഡുകളുടെ യൂട്ടിലിറ്റി റേറ്റിംഗ് ആവശ്യപ്പെടുകയും ഉയർന്നത് തിരഞ്ഞെടുക്കുകയും ചെയ്യാം. അതുപോലെ, ഏത് കുട്ടിയെ എക്സിക്യൂട്ട് ചെയ്യണമെന്ന് തീരുമാനിക്കുന്നതിനുള്ള പ്രവർത്തനങ്ങളുടെ പ്രയോജനം വിലയിരുത്തുന്നതിന് ഒരു ബിഹേവിയർ ട്രീയ്ക്ക് ഒരു സംയുക്ത യൂട്ടിലിറ്റി നോഡ് ഉണ്ടായിരിക്കും.

ചലനവും നാവിഗേഷനും

മുമ്പത്തെ ഉദാഹരണങ്ങളിൽ, ഞങ്ങൾ ഇടത്തോട്ടോ വലത്തോട്ടോ നീങ്ങിയ ഒരു പ്ലാറ്റ്‌ഫോമും പട്രോളിംഗ് നടത്തുകയോ ആക്രമിക്കുകയോ ചെയ്യുന്ന ഒരു ഗാർഡും ഉണ്ടായിരുന്നു. എന്നാൽ ഒരു നിശ്ചിത കാലയളവിൽ ഞങ്ങൾ എങ്ങനെ കൃത്യമായി ഏജന്റ് ചലനം കൈകാര്യം ചെയ്യും? നമ്മൾ എങ്ങനെ വേഗത ക്രമീകരിക്കും, തടസ്സങ്ങൾ എങ്ങനെ ഒഴിവാക്കാം, ഒരു നേർരേഖയിൽ സഞ്ചരിക്കുന്നതിനേക്കാൾ ബുദ്ധിമുട്ടുള്ള ഒരു ലക്ഷ്യസ്ഥാനത്ത് എത്തുമ്പോൾ എങ്ങനെ ഒരു റൂട്ട് പ്ലാൻ ചെയ്യാം? നമുക്ക് ഇത് നോക്കാം.

ഭരണം

പ്രാരംഭ ഘട്ടത്തിൽ, ഓരോ ഏജന്റിനും ഒരു സ്പീഡ് മൂല്യമുണ്ടെന്ന് ഞങ്ങൾ അനുമാനിക്കും, അതിൽ അത് എത്ര വേഗത്തിൽ നീങ്ങുന്നു, ഏത് ദിശയിലേക്കാണ്. ഇത് സെക്കൻഡിൽ മീറ്ററുകൾ, മണിക്കൂറിൽ കിലോമീറ്ററുകൾ, സെക്കൻഡിൽ പിക്സലുകൾ മുതലായവയിൽ അളക്കാൻ കഴിയും. സെൻസ്/തിങ്ക്/ആക്റ്റ് ലൂപ്പ് ഓർക്കുമ്പോൾ, തിങ്ക് ഭാഗം ഒരു വേഗത തിരഞ്ഞെടുക്കുന്നുവെന്നും ആക്റ്റ് ഭാഗം ആ വേഗത ഏജന്റിന് ബാധകമാണെന്നും നമുക്ക് സങ്കൽപ്പിക്കാൻ കഴിയും. സാധാരണഗതിയിൽ ഗെയിമുകൾക്ക് ഒരു ഫിസിക്സ് സിസ്റ്റം ഉണ്ട്, അത് നിങ്ങൾക്കായി ഈ ടാസ്ക്ക് ചെയ്യുന്നു, ഓരോ ഒബ്ജക്റ്റിന്റെയും വേഗത മൂല്യം പഠിക്കുകയും അത് ക്രമീകരിക്കുകയും ചെയ്യുന്നു. അതിനാൽ, നിങ്ങൾക്ക് ഒരു ടാസ്‌ക്ക് ഉപയോഗിച്ച് AI വിടാം - ഏജന്റിന് എന്ത് വേഗത വേണമെന്ന് തീരുമാനിക്കാൻ. ഏജന്റ് എവിടെയായിരിക്കണമെന്ന് നിങ്ങൾക്കറിയാമെങ്കിൽ, നിങ്ങൾ അത് ഒരു നിശ്ചിത വേഗതയിൽ ശരിയായ ദിശയിലേക്ക് നീക്കേണ്ടതുണ്ട്. വളരെ നിസ്സാരമായ ഒരു സമവാക്യം:

desired_travel = destination_position – agent_position

ഒരു 2D ലോകം സങ്കൽപ്പിക്കുക. ഏജന്റ് പോയിന്റിലാണ് (-2,-2), ലക്ഷ്യസ്ഥാനം വടക്കുകിഴക്കൻ ഭാഗത്ത് എവിടെയോ ആണ് (30, 20), ഏജന്റിന് അവിടെയെത്താൻ ആവശ്യമായ പാത (32, 22). ഈ സ്ഥാനങ്ങൾ മീറ്ററിലാണ് അളക്കുന്നതെന്ന് നമുക്ക് പറയാം - ഏജന്റിന്റെ വേഗത സെക്കൻഡിൽ 5 മീറ്ററായി എടുക്കുകയാണെങ്കിൽ, നമ്മുടെ സ്ഥാനചലന വെക്റ്റർ സ്കെയിൽ ചെയ്യുകയും ഏകദേശം (4.12, 2.83) വേഗത നേടുകയും ചെയ്യും. ഈ പാരാമീറ്ററുകൾ ഉപയോഗിച്ച്, ഏകദേശം 8 സെക്കൻഡിനുള്ളിൽ ഏജന്റ് ലക്ഷ്യസ്ഥാനത്ത് എത്തും.

നിങ്ങൾക്ക് എപ്പോൾ വേണമെങ്കിലും മൂല്യങ്ങൾ വീണ്ടും കണക്കാക്കാം. ഏജന്റ് ലക്ഷ്യത്തിലേക്ക് പാതിവഴിയിലാണെങ്കിൽ, ചലനത്തിന്റെ പകുതി നീളം വരും, എന്നാൽ ഏജന്റിന്റെ പരമാവധി വേഗത 5 m/s ആയതിനാൽ (ഞങ്ങൾ ഇത് മുകളിൽ തീരുമാനിച്ചു), വേഗത സമാനമായിരിക്കും. ചലിക്കുന്ന ടാർഗെറ്റുകൾക്കും ഇത് പ്രവർത്തിക്കുന്നു, അവ നീങ്ങുമ്പോൾ ചെറിയ മാറ്റങ്ങൾ വരുത്താൻ ഏജന്റിനെ അനുവദിക്കുന്നു.

എന്നാൽ ഞങ്ങൾക്ക് കൂടുതൽ വ്യതിയാനം വേണം - ഉദാഹരണത്തിന്, നിൽക്കുന്നതിൽ നിന്ന് ഓടുന്നതിലേക്ക് നീങ്ങുന്ന ഒരു കഥാപാത്രത്തെ അനുകരിക്കാൻ വേഗത സാവധാനം വർദ്ധിപ്പിക്കുക. നിർത്തുന്നതിന് മുമ്പ് അവസാനം ഇത് തന്നെ ചെയ്യാം. ഈ സവിശേഷതകൾ സ്റ്റിയറിംഗ് പെരുമാറ്റങ്ങൾ എന്നറിയപ്പെടുന്നു, അവയിൽ ഓരോന്നിനും പ്രത്യേക പേരുകളുണ്ട്: സീക്ക്, ഫ്ലീ, അറൈവൽ മുതലായവ. ഏജന്റിന്റെ സ്ഥാനവും നിലവിലെ വേഗതയും ലക്ഷ്യസ്ഥാനവുമായി താരതമ്യം ചെയ്യുന്നതിനെ അടിസ്ഥാനമാക്കി, ഏജന്റിന്റെ വേഗതയിൽ ആക്സിലറേഷൻ ഫോഴ്‌സ് പ്രയോഗിക്കാമെന്നതാണ് ആശയം. ലക്ഷ്യത്തിലേക്ക് നീങ്ങുന്നതിന് വ്യത്യസ്ത രീതികൾ ഉപയോഗിക്കുന്നതിന് ക്രമം.

ഓരോ പെരുമാറ്റത്തിനും അല്പം വ്യത്യസ്തമായ ഉദ്ദേശ്യമുണ്ട്. ഒരു ഏജന്റിനെ ലക്ഷ്യസ്ഥാനത്തേക്ക് മാറ്റാനുള്ള വഴികളാണ് സീക്ക്, അറൈവൽ. തടസ്സം ഒഴിവാക്കലും വേർതിരിവും ലക്ഷ്യത്തിലേക്കുള്ള വഴിയിലെ തടസ്സങ്ങൾ ഒഴിവാക്കാൻ ഏജന്റിന്റെ ചലനത്തെ ക്രമീകരിക്കുന്നു. വിന്യാസവും യോജിപ്പും ഏജന്റുമാരെ ഒരുമിച്ച് നീക്കുന്നു. എല്ലാ ഘടകങ്ങളും കണക്കിലെടുത്ത് ഒരൊറ്റ പാത്ത് വെക്റ്റർ നിർമ്മിക്കുന്നതിന് വ്യത്യസ്ത സ്റ്റിയറിംഗ് സ്വഭാവങ്ങൾ എത്ര വേണമെങ്കിലും സംഗ്രഹിക്കാം. മതിലുകളിൽ നിന്നും മറ്റ് ഏജന്റുമാരിൽ നിന്നും അകന്നു നിൽക്കാൻ വരവ്, വേർപിരിയൽ, തടസ്സം ഒഴിവാക്കൽ പെരുമാറ്റരീതികൾ ഉപയോഗിക്കുന്ന ഒരു ഏജന്റ്. ഈ സമീപനം അനാവശ്യ വിശദാംശങ്ങളില്ലാതെ തുറന്ന സ്ഥലങ്ങളിൽ നന്നായി പ്രവർത്തിക്കുന്നു.

കൂടുതൽ ബുദ്ധിമുട്ടുള്ള സാഹചര്യങ്ങളിൽ, വ്യത്യസ്ത സ്വഭാവങ്ങളുടെ കൂട്ടിച്ചേർക്കൽ മോശമായി പ്രവർത്തിക്കുന്നു - ഉദാഹരണത്തിന്, എത്തിച്ചേരലും തടസ്സം ഒഴിവാക്കലും തമ്മിലുള്ള വൈരുദ്ധ്യം കാരണം ഒരു ഏജന്റിന് മതിലിൽ കുടുങ്ങിയേക്കാം. അതിനാൽ, എല്ലാ മൂല്യങ്ങളും ചേർക്കുന്നതിനേക്കാൾ സങ്കീർണ്ണമായ ഓപ്ഷനുകൾ നിങ്ങൾ പരിഗണിക്കേണ്ടതുണ്ട്. വഴി ഇതാണ്: ഓരോ സ്വഭാവത്തിന്റെയും ഫലങ്ങൾ കൂട്ടിച്ചേർക്കുന്നതിനുപകരം, നിങ്ങൾക്ക് വ്യത്യസ്ത ദിശകളിലേക്കുള്ള ചലനം പരിഗണിക്കുകയും മികച്ച ഓപ്ഷൻ തിരഞ്ഞെടുക്കുകയും ചെയ്യാം.

എന്നിരുന്നാലും, നിർജ്ജീവമായ അറ്റങ്ങളും ഏത് വഴിയാണ് പോകേണ്ടതെന്നതിനെക്കുറിച്ചുള്ള തിരഞ്ഞെടുപ്പുകളുമുള്ള ഒരു സങ്കീർണ്ണമായ അന്തരീക്ഷത്തിൽ, നമുക്ക് കൂടുതൽ വിപുലമായ എന്തെങ്കിലും ആവശ്യമാണ്.

ഒരു വഴി കണ്ടെത്തുന്നു

ഒരു തുറന്ന സ്ഥലത്ത് (ഫുട്‌ബോൾ ഫീൽഡ് അല്ലെങ്കിൽ അരീന) ലളിതമായ ചലനത്തിന് സ്റ്റിയറിംഗ് പെരുമാറ്റം മികച്ചതാണ്, അവിടെ എയിൽ നിന്ന് ബിയിലേക്ക് പോകുന്നത് തടസ്സങ്ങൾക്ക് ചുറ്റും ചെറിയ വഴികൾ മാത്രമുള്ള നേരായ പാതയാണ്. സങ്കീർണ്ണമായ റൂട്ടുകൾക്കായി, നമുക്ക് പാത്ത്ഫൈൻഡിംഗ് ആവശ്യമാണ്, അത് ലോകത്തെ പര്യവേക്ഷണം ചെയ്യുന്നതിനും അതിലൂടെയുള്ള ഒരു റൂട്ട് തീരുമാനിക്കുന്നതിനുമുള്ള ഒരു മാർഗമാണ്.

ഏജന്റിന് അടുത്തുള്ള ഓരോ സ്‌ക്വയറിലേക്കും ഒരു ഗ്രിഡ് പ്രയോഗിച്ച് അവയിൽ ഏതാണ് നീക്കാൻ അനുവദിച്ചിരിക്കുന്നത് എന്ന് വിലയിരുത്തുക എന്നതാണ് ഏറ്റവും ലളിതമായത്. അവയിലൊന്ന് ഒരു ലക്ഷ്യസ്ഥാനമാണെങ്കിൽ, നിങ്ങൾ തുടക്കത്തിലെത്തുന്നത് വരെ ഓരോ സ്‌ക്വയറിൽ നിന്നും മുമ്പത്തേതിലേക്കുള്ള റൂട്ട് പിന്തുടരുക. ഇതാണ് റൂട്ട്. അല്ലാത്തപക്ഷം, നിങ്ങളുടെ ലക്ഷ്യസ്ഥാനം കണ്ടെത്തുന്നത് വരെ അല്ലെങ്കിൽ നിങ്ങൾക്ക് സ്ക്വയറുകൾ തീരുന്നത് വരെ അടുത്തുള്ള മറ്റ് സ്ക്വയറുകൾ ഉപയോഗിച്ച് നടപടിക്രമം ആവർത്തിക്കുക (അതായത് സാധ്യമായ റൂട്ട് ഇല്ല എന്നാണ് അർത്ഥമാക്കുന്നത്). ഇതാണ് ഔപചാരികമായി ബ്രെഡ്ത്ത്-ഫസ്റ്റ് സെർച്ച് അല്ലെങ്കിൽ ബിഎഫ്എസ് (ബ്രെഡ്ത്ത്-ഫസ്റ്റ് സെർച്ച് അൽഗോരിതം) എന്നറിയപ്പെടുന്നത്. ഓരോ ഘട്ടത്തിലും അവൻ എല്ലാ ദിശകളിലേക്കും നോക്കുന്നു (അതിനാൽ വീതി, "വീതി"). തിരച്ചിൽ സ്ഥലം ആവശ്യമുള്ള സ്ഥലത്ത് എത്തുന്നതുവരെ ചലിക്കുന്ന ഒരു തരംഗമുഖം പോലെയാണ് - അവസാന പോയിന്റ് ഉൾപ്പെടുത്തുന്നത് വരെ ഓരോ ഘട്ടത്തിലും തിരയൽ ഇടം വികസിക്കുന്നു, അതിനുശേഷം അത് തുടക്കത്തിലേക്ക് തിരികെ കണ്ടെത്താനാകും.

തൽഫലമായി, ആവശ്യമുള്ള റൂട്ട് കംപൈൽ ചെയ്തിരിക്കുന്ന സ്ക്വയറുകളുടെ ഒരു ലിസ്റ്റ് നിങ്ങൾക്ക് ലഭിക്കും. ഇതാണ് പാത (അതിനാൽ, പാത്ത്ഫൈൻഡിംഗ്) - ലക്ഷ്യസ്ഥാനം പിന്തുടരുമ്പോൾ ഏജന്റ് സന്ദർശിക്കുന്ന സ്ഥലങ്ങളുടെ ഒരു ലിസ്റ്റ്.

ലോകത്തിലെ എല്ലാ സ്ക്വയറുകളുടെയും സ്ഥാനം നമുക്ക് അറിയാമെന്നതിനാൽ, പാതയിലൂടെ നീങ്ങാൻ സ്റ്റിയറിംഗ് പെരുമാറ്റങ്ങൾ ഉപയോഗിക്കാം - നോഡ് 1 മുതൽ നോഡ് 2 ലേക്ക്, തുടർന്ന് നോഡ് 2 മുതൽ നോഡ് 3 ലേക്ക്, അങ്ങനെ. അടുത്ത ചതുരത്തിന്റെ മധ്യഭാഗത്തേക്ക് പോകുക എന്നതാണ് ഏറ്റവും ലളിതമായ ഓപ്ഷൻ, എന്നാൽ ഇതിലും മികച്ച ഓപ്ഷൻ നിലവിലെ ചതുരത്തിനും അടുത്ത ചതുരത്തിനും ഇടയിലുള്ള അരികിന്റെ മധ്യത്തിൽ നിർത്തുക എന്നതാണ്. ഇക്കാരണത്താൽ, ഏജന്റിന് മൂർച്ചയുള്ള തിരിവുകളിൽ കോണുകൾ മുറിക്കാൻ കഴിയും.

BFS അൽഗോരിതത്തിന് ദോഷങ്ങളുമുണ്ട് - അത് "തെറ്റായ" ദിശയിൽ "വലത്" ദിശയിൽ ഉള്ളത്രയും സ്ക്വയറുകളെ പര്യവേക്ഷണം ചെയ്യുന്നു. ഇവിടെയാണ് എ* (ഒരു നക്ഷത്രം) എന്ന കൂടുതൽ സങ്കീർണ്ണമായ അൽഗോരിതം പ്രവർത്തിക്കുന്നത്. ഇത് സമാനമായ രീതിയിൽ പ്രവർത്തിക്കുന്നു, എന്നാൽ അയൽ സ്ക്വയറുകൾ അന്ധമായി പരിശോധിക്കുന്നതിനുപകരം (പിന്നെ അയൽവാസികളുടെ അയൽക്കാർ, പിന്നീട് അയൽവാസികളുടെ അയൽക്കാർ, അങ്ങനെ അങ്ങനെ), ഇത് നോഡുകൾ ഒരു ലിസ്റ്റിലേക്ക് ശേഖരിക്കുകയും അവയെ അടുക്കുകയും ചെയ്യുന്നു, അങ്ങനെ അടുത്ത നോഡ് പരിശോധിച്ചത് എല്ലായ്പ്പോഴും ഏറ്റവും ചെറിയ വഴിയിലേക്ക് നയിക്കുന്ന ഒന്ന്. രണ്ട് കാര്യങ്ങൾ കണക്കിലെടുക്കുന്ന ഒരു ഹ്യൂറിസ്റ്റിക് അടിസ്ഥാനമാക്കിയാണ് നോഡുകൾ അടുക്കുന്നത്-ആവശ്യമുള്ള സ്ക്വയറിലേക്കുള്ള ഒരു സാങ്കൽപ്പിക റൂട്ടിന്റെ "ചെലവ്" (ഏതെങ്കിലും യാത്രാ ചിലവുകൾ ഉൾപ്പെടെ) ലക്ഷ്യസ്ഥാനത്ത് നിന്ന് ആ സ്ക്വയർ എത്ര അകലെയാണെന്നതിന്റെ കണക്ക് (തിരഞ്ഞെടുപ്പിൽ പക്ഷപാതം ശരിയായ ദിശ).

ഏജന്റ് ഒരു സമയം ഒരു ചതുരം പര്യവേക്ഷണം ചെയ്യുന്നുവെന്ന് ഈ ഉദാഹരണം കാണിക്കുന്നു, ഓരോ തവണയും ഏറ്റവും വാഗ്ദാനമായത് അടുത്തുള്ള ഒന്ന് തിരഞ്ഞെടുക്കുന്നു. തത്ഫലമായുണ്ടാകുന്ന പാത BFS-ന് സമാനമാണ്, എന്നാൽ ഈ പ്രക്രിയയിൽ കുറച്ച് സ്ക്വയറുകളാണ് പരിഗണിച്ചത് - ഇത് ഗെയിം പ്രകടനത്തിൽ വലിയ സ്വാധീനം ചെലുത്തുന്നു.

ഗ്രിഡ് ഇല്ലാത്ത ചലനം

എന്നാൽ മിക്ക ഗെയിമുകളും ഒരു ഗ്രിഡിൽ സ്ഥാപിച്ചിട്ടില്ല, റിയലിസം ത്യജിക്കാതെ അത് ചെയ്യാൻ പലപ്പോഴും അസാധ്യമാണ്. വിട്ടുവീഴ്ചകൾ ആവശ്യമാണ്. സ്ക്വയറുകളുടെ വലുപ്പം എന്തായിരിക്കണം? വളരെ വലുതാണ്, ചെറിയ ഇടനാഴികളോ തിരിവുകളോ കൃത്യമായി പ്രതിനിധീകരിക്കാൻ അവർക്ക് കഴിയില്ല, വളരെ ചെറുതാണ്, കൂടാതെ തിരയാൻ വളരെയധികം സ്ക്വയറുകളുണ്ടാകും, അത് ആത്യന്തികമായി വളരെയധികം സമയമെടുക്കും.

ആദ്യം മനസ്സിലാക്കേണ്ടത് ഒരു മെഷ് നമുക്ക് ബന്ധിപ്പിച്ച നോഡുകളുടെ ഒരു ഗ്രാഫ് നൽകുന്നു എന്നതാണ്. A*, BFS അൽഗോരിതങ്ങൾ യഥാർത്ഥത്തിൽ ഗ്രാഫുകളിൽ പ്രവർത്തിക്കുന്നു, മാത്രമല്ല ഞങ്ങളുടെ മെഷിനെ ഒട്ടും ശ്രദ്ധിക്കുന്നില്ല. ഗെയിം ലോകത്തെവിടെയും നമുക്ക് നോഡുകൾ സ്ഥാപിക്കാൻ കഴിയും: ബന്ധിപ്പിച്ചിട്ടുള്ള ഏതെങ്കിലും രണ്ട് നോഡുകൾ തമ്മിൽ, അതുപോലെ തന്നെ ആരംഭ, അവസാന പോയിന്റുകൾക്കും കുറഞ്ഞത് ഒരു നോഡുകൾക്കും ഇടയിൽ ഒരു കണക്ഷൻ ഉള്ളിടത്തോളം, അൽഗോരിതം മുമ്പത്തെപ്പോലെ തന്നെ പ്രവർത്തിക്കും. ഓരോ നോഡും ലോകത്തിലെ ഒരു സുപ്രധാന സ്ഥാനത്തെ പ്രതിനിധീകരിക്കുന്നതിനാൽ ഇതിനെ പലപ്പോഴും വേപോയിന്റ് സിസ്റ്റം എന്ന് വിളിക്കുന്നു, അത് എത്ര സാങ്കൽപ്പിക പാതകളുടെയും ഭാഗമാകാം.

ഉദാഹരണം 1: ഓരോ ചതുരത്തിലും ഒരു കെട്ട്. ഏജന്റ് സ്ഥിതിചെയ്യുന്ന നോഡിൽ നിന്ന് തിരയൽ ആരംഭിക്കുകയും ആവശ്യമുള്ള ചതുരത്തിന്റെ നോഡിൽ അവസാനിക്കുകയും ചെയ്യുന്നു.

ഉദാഹരണം 2: ഒരു ചെറിയ കൂട്ടം നോഡുകൾ (വേ പോയിന്റുകൾ). തിരയൽ ഏജന്റിന്റെ സ്ക്വയറിൽ ആരംഭിക്കുന്നു, ആവശ്യമുള്ള നോഡുകളിലൂടെ കടന്നുപോകുന്നു, തുടർന്ന് ലക്ഷ്യസ്ഥാനത്തേക്ക് തുടരുന്നു.

ഇത് പൂർണ്ണമായും വഴക്കമുള്ളതും ശക്തവുമായ സംവിധാനമാണ്. എന്നാൽ ഒരു വേ പോയിന്റ് എവിടെ, എങ്ങനെ സ്ഥാപിക്കണമെന്ന് തീരുമാനിക്കുന്നതിന് കുറച്ച് ശ്രദ്ധ ആവശ്യമാണ്, അല്ലാത്തപക്ഷം ഏജന്റുമാർക്ക് ഏറ്റവും അടുത്തുള്ള പോയിന്റ് കാണാനാകില്ല, പാത ആരംഭിക്കാൻ കഴിയില്ല. ലോകത്തിന്റെ ജ്യാമിതിയെ അടിസ്ഥാനമാക്കി നമുക്ക് യാന്ത്രികമായി വേ പോയിന്റുകൾ സ്ഥാപിക്കാൻ കഴിയുമെങ്കിൽ അത് എളുപ്പമായിരിക്കും.

ഇവിടെയാണ് നാവിഗേഷൻ മെഷ് അല്ലെങ്കിൽ നവമെഷ് (നാവിഗേഷൻ മെഷ്) ദൃശ്യമാകുന്നത്. ഇത് സാധാരണയായി ലോകത്തിന്റെ ജ്യാമിതിയിൽ പൊതിഞ്ഞിരിക്കുന്ന ത്രികോണങ്ങളുടെ ഒരു 2D മെഷ് ആണ് - ഏജന്റിനെ നടക്കാൻ അനുവദിക്കുന്നിടത്തെല്ലാം. മെഷിലെ ഓരോ ത്രികോണവും ഗ്രാഫിലെ ഒരു നോഡായി മാറുന്നു, കൂടാതെ ഗ്രാഫിൽ അടുത്തുള്ള നോഡുകളായി മാറുന്ന മൂന്ന് ത്രികോണങ്ങൾ വരെ ഉണ്ട്.

ഈ ചിത്രം യൂണിറ്റി എഞ്ചിനിൽ നിന്നുള്ള ഒരു ഉദാഹരണമാണ് - ഇത് ലോകത്തിലെ ജ്യാമിതി വിശകലനം ചെയ്യുകയും ഒരു നവ്മെഷ് സൃഷ്ടിക്കുകയും ചെയ്തു (ഇളം നീല നിറത്തിലുള്ള സ്ക്രീൻഷോട്ടിൽ). നവമെഷിലെ ഓരോ ബഹുഭുജവും ഒരു ഏജന്റിന് നിൽക്കാനോ ഒരു ബഹുഭുജത്തിൽ നിന്ന് മറ്റൊരു ബഹുഭുജത്തിലേക്ക് നീങ്ങാനോ കഴിയുന്ന ഒരു മേഖലയാണ്. ഈ ഉദാഹരണത്തിൽ, ബഹുഭുജങ്ങൾ അവ സ്ഥിതിചെയ്യുന്ന നിലകളേക്കാൾ ചെറുതാണ് - ഏജന്റിന്റെ വലുപ്പം കണക്കിലെടുക്കുന്നതിനാണ് ഇത് ചെയ്യുന്നത്, അത് അതിന്റെ നാമമാത്ര സ്ഥാനത്തിനപ്പുറം വ്യാപിക്കും.

A* അൽഗോരിതം ഉപയോഗിച്ച് നമുക്ക് ഈ മെഷിലൂടെ ഒരു റൂട്ടിനായി തിരയാം. എല്ലാ ജ്യാമിതികളും കണക്കിലെടുക്കുകയും അനാവശ്യമായ നോഡുകളും വേ പോയിന്റുകളുടെ സൃഷ്ടിയും ആവശ്യമില്ലാത്തതുമായ ലോകത്ത് ഇത് നമുക്ക് ഏതാണ്ട് തികഞ്ഞ ഒരു റൂട്ട് നൽകും.

ഒരു ലേഖനത്തിന്റെ ഒരു ഭാഗം മതിയാകാത്ത ഒരു വിഷയമാണ് പാത കണ്ടെത്തൽ. നിങ്ങൾക്ക് ഇത് കൂടുതൽ വിശദമായി പഠിക്കണമെങ്കിൽ, ഇത് സഹായിക്കും അമിത് പട്ടേൽ വെബ്സൈറ്റ്.

ആസൂത്രണം

ചിലപ്പോൾ ഒരു ദിശ തിരഞ്ഞെടുത്ത് നീങ്ങിയാൽ മാത്രം പോരാ എന്ന് പാത്ത്ഫൈൻഡിംഗിലൂടെ ഞങ്ങൾ പഠിച്ചു - ഞങ്ങൾ ആഗ്രഹിക്കുന്ന ലക്ഷ്യസ്ഥാനത്ത് എത്താൻ ഒരു റൂട്ട് തിരഞ്ഞെടുത്ത് കുറച്ച് തിരിവുകൾ നടത്തണം. ഞങ്ങൾക്ക് ഈ ആശയം സാമാന്യവൽക്കരിക്കാൻ കഴിയും: ഒരു ലക്ഷ്യം നേടുന്നത് അടുത്ത ഘട്ടം മാത്രമല്ല, ആദ്യത്തേത് എന്തായിരിക്കണമെന്ന് കണ്ടെത്താൻ ചിലപ്പോൾ നിങ്ങൾ നിരവധി ഘട്ടങ്ങൾ മുന്നോട്ട് നോക്കേണ്ട ഒരു മുഴുവൻ ശ്രേണിയും. ഇതിനെ പ്ലാനിംഗ് എന്ന് വിളിക്കുന്നു. ആസൂത്രണത്തിനായുള്ള നിരവധി വിപുലീകരണങ്ങളിൽ ഒന്നായി പാത്ത്ഫൈൻഡിംഗ് കണക്കാക്കാം. നമ്മുടെ സെൻസ്/തിങ്ക്/ആക്റ്റ് സൈക്കിളിന്റെ അടിസ്ഥാനത്തിൽ, ഇവിടെയാണ് തിങ്ക് ഭാഗം ഭാവിയിലേക്കുള്ള ഒന്നിലധികം ആക്‌റ്റ് ഭാഗങ്ങൾ ആസൂത്രണം ചെയ്യുന്നത്.

ബോർഡ് ഗെയിം മാജിക്: ദി ഗാതറിംഗ് ഉദാഹരണം നോക്കാം. താഴെ പറയുന്ന ഒരു കൂട്ടം കാർഡുകളുമായി ഞങ്ങൾ ആദ്യം പോകുന്നു:

• ചതുപ്പ് - 1 ബ്ലാക്ക് മന (ലാൻഡ് കാർഡ്) നൽകുന്നു.
• വനം - 1 ഗ്രീൻ മന (ലാൻഡ് കാർഡ്) നൽകുന്നു.
• ഫ്യൂജിറ്റീവ് വിസാർഡ് - വിളിക്കാൻ ഒരു നീല മന ആവശ്യമാണ്.
• എൽവിഷ് മിസ്റ്റിക് - വിളിക്കാൻ 1 ഗ്രീൻ മന ആവശ്യമാണ്.

ഇത് എളുപ്പമാക്കുന്നതിന് ബാക്കിയുള്ള മൂന്ന് കാർഡുകൾ ഞങ്ങൾ അവഗണിക്കുന്നു. നിയമങ്ങൾ അനുസരിച്ച്, ഒരു കളിക്കാരന് ഓരോ തവണയും 1 ലാൻഡ് കാർഡ് കളിക്കാൻ അനുവാദമുണ്ട്, അതിൽ നിന്ന് മന വേർതിരിച്ചെടുക്കാൻ അയാൾക്ക് ഈ കാർഡ് "ടാപ്പ്" ചെയ്യാം, തുടർന്ന് മനയുടെ അളവ് അനുസരിച്ച് മന്ത്രങ്ങൾ (ഒരു ജീവിയെ വിളിക്കുന്നത് ഉൾപ്പെടെ) നടത്താം. ഈ സാഹചര്യത്തിൽ, മനുഷ്യ കളിക്കാരന് ഫോറസ്റ്റ് കളിക്കാനും 1 ഗ്രീൻ മന ടാപ്പ് ചെയ്യാനും തുടർന്ന് എൽവിഷ് മിസ്റ്റിക് വിളിക്കാനും അറിയാം. എന്നാൽ ഗെയിം AI-ക്ക് ഇത് എങ്ങനെ കണ്ടെത്താനാകും?

എളുപ്പമുള്ള ആസൂത്രണം

യോജിച്ചവ അവശേഷിക്കുന്നതുവരെ ഓരോ പ്രവർത്തനവും മാറിമാറി പരീക്ഷിക്കുക എന്നതാണ് നിസ്സാരമായ സമീപനം. കാർഡുകൾ നോക്കുന്നതിലൂടെ, സ്വാമ്പിന് എന്ത് കളിക്കാൻ കഴിയുമെന്ന് AI കാണും. അവൻ അത് കളിക്കുകയും ചെയ്യുന്നു. ഈ വഴിയിൽ മറ്റെന്തെങ്കിലും പ്രവർത്തനങ്ങൾ അവശേഷിക്കുന്നുണ്ടോ? ഇതിന് എൽവിഷ് മിസ്റ്റിക് അല്ലെങ്കിൽ ഫ്യൂജിറ്റീവ് വിസാർഡ് എന്നിവരെ വിളിക്കാൻ കഴിയില്ല, കാരണം അവരെ വിളിക്കാൻ യഥാക്രമം പച്ചയും നീലയും മന ആവശ്യമാണ്, അതേസമയം സ്വാമ്പ് ബ്ലാക്ക് മന മാത്രമേ നൽകുന്നുള്ളൂ. അയാൾക്ക് ഇനി ഫോറസ്റ്റ് കളിക്കാൻ കഴിയില്ല, കാരണം അവൻ ഇതിനകം സ്വാമ്പ് കളിച്ചിട്ടുണ്ട്. അങ്ങനെ, ഗെയിം AI നിയമങ്ങൾ പാലിച്ചു, പക്ഷേ അത് മോശമായി ചെയ്തു. മെച്ചപ്പെടുത്താൻ കഴിയും.

ആസൂത്രണത്തിന് ഗെയിമിനെ ആവശ്യമുള്ള അവസ്ഥയിലേക്ക് കൊണ്ടുവരുന്ന പ്രവർത്തനങ്ങളുടെ ഒരു ലിസ്റ്റ് കണ്ടെത്താനാകും. ഒരു പാതയിലെ ഓരോ ചതുരത്തിനും അയൽക്കാർ ഉള്ളതുപോലെ (പാത്ത്ഫൈൻഡിംഗിൽ), ഒരു പ്ലാനിലെ ഓരോ പ്രവർത്തനത്തിനും അയൽക്കാരോ പിൻഗാമികളോ ഉണ്ട്. നമുക്ക് ആവശ്യമുള്ള അവസ്ഥയിൽ എത്തുന്നതുവരെ ഈ പ്രവർത്തനങ്ങളും തുടർന്നുള്ള പ്രവർത്തനങ്ങളും നോക്കാം.

ഞങ്ങളുടെ ഉദാഹരണത്തിൽ, ആവശ്യമുള്ള ഫലം "സാധ്യമെങ്കിൽ ഒരു ജീവിയെ വിളിക്കുക" എന്നതാണ്. ടേണിന്റെ തുടക്കത്തിൽ, ഗെയിമിന്റെ നിയമങ്ങൾ അനുവദിക്കുന്ന രണ്ട് സാധ്യമായ പ്രവർത്തനങ്ങൾ മാത്രമേ ഞങ്ങൾ കാണുന്നത്:

1. സ്വാമ്പ് കളിക്കുക (ഫലം: ഗെയിമിലെ ചതുപ്പ്)
2. പ്ലേ ഫോറസ്റ്റ് (ഫലം: ഗെയിമിലെ വനം)

എടുക്കുന്ന ഓരോ പ്രവർത്തനവും കൂടുതൽ പ്രവർത്തനങ്ങളിലേക്ക് നയിക്കുകയും ഗെയിമിന്റെ നിയമങ്ങളെ ആശ്രയിച്ച് മറ്റുള്ളവരെ അടയ്ക്കുകയും ചെയ്യും. ഞങ്ങൾ സ്വാമ്പ് കളിച്ചുവെന്ന് സങ്കൽപ്പിക്കുക - ഇത് അടുത്ത ഘട്ടമായി സ്വാംപ് നീക്കംചെയ്യും (ഞങ്ങൾ ഇത് ഇതിനകം കളിച്ചു), ഇത് ഫോറെസ്റ്റും നീക്കംചെയ്യും (കാരണം നിയമങ്ങൾ അനുസരിച്ച് നിങ്ങൾക്ക് ഓരോ ടേണിലും ഒരു ലാൻഡ് കാർഡ് പ്ലേ ചെയ്യാൻ കഴിയും). ഇതിനുശേഷം, മറ്റ് ഓപ്ഷനുകളൊന്നും ഇല്ലാത്തതിനാൽ അടുത്ത ഘട്ടമായി 1 ബ്ലാക്ക് മന ലഭിക്കുന്നത് AI ചേർക്കുന്നു. അവൻ മുന്നോട്ട് പോയി Tap the Swamp തിരഞ്ഞെടുത്താൽ, അയാൾക്ക് 1 യൂണിറ്റ് ബ്ലാക്ക് മന ലഭിക്കും, അത് കൊണ്ട് ഒന്നും ചെയ്യാൻ കഴിയില്ല.

1. സ്വാമ്പ് കളിക്കുക (ഫലം: ഗെയിമിലെ ചതുപ്പ്)
1.1 "ടാപ്പ്" സ്വാമ്പ് (ഫലം: സ്വാമ്പ് "ടാപ്പ്", ബ്ലാക്ക് മനയുടെ +1 യൂണിറ്റ്)
പ്രവർത്തനങ്ങളൊന്നും ലഭ്യമല്ല - END
2. പ്ലേ ഫോറസ്റ്റ് (ഫലം: ഗെയിമിലെ വനം)

പ്രവർത്തനങ്ങളുടെ ലിസ്റ്റ് ചെറുതായിരുന്നു, ഞങ്ങൾ ഒരു അവസാനഘട്ടത്തിലെത്തി. അടുത്ത ഘട്ടത്തിനായി ഞങ്ങൾ നടപടിക്രമം ആവർത്തിക്കുന്നു. ഞങ്ങൾ ഫോറസ്റ്റ് കളിക്കുന്നു, "1 ഗ്രീൻ മന നേടുക" എന്ന പ്രവർത്തനം തുറക്കുക, അത് മൂന്നാമത്തെ പ്രവർത്തനം തുറക്കും - എൽവിഷ് മിസ്റ്റിക് വിളിക്കുക.

1. സ്വാമ്പ് കളിക്കുക (ഫലം: ഗെയിമിലെ ചതുപ്പ്)
1.1 "ടാപ്പ്" സ്വാമ്പ് (ഫലം: സ്വാമ്പ് "ടാപ്പ്", ബ്ലാക്ക് മനയുടെ +1 യൂണിറ്റ്)
പ്രവർത്തനങ്ങളൊന്നും ലഭ്യമല്ല - END
2. പ്ലേ ഫോറസ്റ്റ് (ഫലം: ഗെയിമിലെ വനം)
2.1 "ടാപ്പ്" ഫോറസ്റ്റ് (ഫലം: ഫോറസ്റ്റ് "ടാപ്പ്", +1 യൂണിറ്റ് ഗ്രീൻ മന)
2.1.1 എൽവിഷ് മിസ്റ്റിക് (ഫലം: എൽവിഷ് മിസ്റ്റിക് ഇൻ പ്ലേ, -1 ഗ്രീൻ മന)
പ്രവർത്തനങ്ങളൊന്നും ലഭ്യമല്ല - END

അവസാനമായി, സാധ്യമായ എല്ലാ പ്രവർത്തനങ്ങളും ഞങ്ങൾ പര്യവേക്ഷണം ചെയ്യുകയും ഒരു ജീവിയെ വിളിക്കുന്ന ഒരു പ്ലാൻ കണ്ടെത്തുകയും ചെയ്തു.

ഇത് വളരെ ലളിതമായ ഒരു ഉദാഹരണമാണ്. ചില മാനദണ്ഡങ്ങൾ പാലിക്കുന്ന ഏതെങ്കിലും പ്ലാനിനുപകരം സാധ്യമായ ഏറ്റവും മികച്ച പ്ലാൻ തിരഞ്ഞെടുക്കുന്നതാണ് ഉചിതം. സാധ്യമായ പദ്ധതികൾ അവയുടെ നടപ്പാക്കലിന്റെ ഫലമോ മൊത്തത്തിലുള്ള നേട്ടമോ അടിസ്ഥാനമാക്കി വിലയിരുത്തുന്നത് പൊതുവെ സാധ്യമാണ്. ഒരു ലാൻഡ് കാർഡ് കളിക്കുന്നതിന് 1 പോയിന്റും ഒരു ജീവിയെ വിളിക്കുന്നതിന് 3 പോയിന്റും നിങ്ങൾക്ക് സ്വയം സ്കോർ ചെയ്യാം. സ്വാമ്പ് കളിക്കുന്നത് 1 പോയിന്റ് പ്ലാൻ ആയിരിക്കും. ഫോറസ്റ്റ് → ടാപ്പ് ദ ഫോറസ്റ്റ് → എൽവിഷ് മിസ്റ്റിക് എന്ന് വിളിക്കുന്നത് ഉടൻ തന്നെ 4 പോയിന്റുകൾ നൽകും.

മാജിക്: ദി ഗാതറിംഗിൽ പ്ലാനിംഗ് പ്രവർത്തിക്കുന്നത് ഇങ്ങനെയാണ്, എന്നാൽ മറ്റ് സാഹചര്യങ്ങളിലും ഇതേ യുക്തി ബാധകമാണ്. ഉദാഹരണത്തിന്, ബിഷപ്പിന് ചെസ്സിൽ നീങ്ങാൻ ഇടമൊരുക്കാൻ ഒരു പണയം ചലിപ്പിക്കുക. അല്ലെങ്കിൽ ഇതുപോലെ XCOM-ൽ സുരക്ഷിതമായി ഷൂട്ട് ചെയ്യാൻ മതിലിനു പിന്നിൽ മറയുക. പൊതുവേ, നിങ്ങൾക്ക് ആശയം ലഭിക്കും.

മെച്ചപ്പെട്ട ആസൂത്രണം

സാധ്യമായ എല്ലാ ഓപ്ഷനുകളും പരിഗണിക്കാൻ ചിലപ്പോൾ വളരെയധികം സാധ്യതയുള്ള പ്രവർത്തനങ്ങളുണ്ട്. മാജിക് ഉപയോഗിച്ച് ഉദാഹരണത്തിലേക്ക് മടങ്ങുന്നു: ദി ഗാതറിംഗ്: ഗെയിമിലും നിങ്ങളുടെ കൈയിലും നിരവധി ഭൂമി, ജീവികളുടെ കാർഡുകൾ ഉണ്ടെന്ന് നമുക്ക് പറയാം - ചലനങ്ങളുടെ സാധ്യമായ കോമ്പിനേഷനുകളുടെ എണ്ണം ഡസൻ ആകാം. പ്രശ്നത്തിന് നിരവധി പരിഹാരങ്ങളുണ്ട്.

ആദ്യത്തെ രീതി ബാക്ക്വേർഡ് ചെയിൻ ആണ്. എല്ലാ കോമ്പിനേഷനുകളും പരീക്ഷിക്കുന്നതിനുപകരം, അന്തിമഫലത്തിൽ നിന്ന് ആരംഭിച്ച് നേരിട്ടുള്ള വഴി കണ്ടെത്താൻ ശ്രമിക്കുന്നതാണ് നല്ലത്. മരത്തിന്റെ വേരിൽ നിന്ന് ഒരു പ്രത്യേക ഇലയിലേക്ക് പോകുന്നതിനുപകരം, ഞങ്ങൾ വിപരീത ദിശയിലേക്ക് നീങ്ങുന്നു - ഇലയിൽ നിന്ന് വേരിലേക്ക്. ഈ രീതി എളുപ്പവും വേഗമേറിയതുമാണ്.

ശത്രുവിന് 1 ആരോഗ്യമുണ്ടെങ്കിൽ, നിങ്ങൾക്ക് "ഡീൽ 1 അല്ലെങ്കിൽ അതിലധികമോ കേടുപാടുകൾ" പ്ലാൻ കണ്ടെത്താനാകും. ഇത് നേടുന്നതിന്, നിരവധി വ്യവസ്ഥകൾ പാലിക്കേണ്ടതുണ്ട്:

1. മന്ത്രവാദത്താൽ കേടുപാടുകൾ സംഭവിക്കാം - അത് കൈയിലായിരിക്കണം.
2. മന്ത്രവാദം നടത്താൻ, നിങ്ങൾക്ക് മന ആവശ്യമാണ്.
3. മന ലഭിക്കാൻ, നിങ്ങൾ ഒരു ലാൻഡ് കാർഡ് കളിക്കേണ്ടതുണ്ട്.
4. ഒരു ലാൻഡ് കാർഡ് കളിക്കാൻ, അത് നിങ്ങളുടെ കയ്യിൽ ഉണ്ടായിരിക്കണം.

മറ്റൊരു മാർഗം മികച്ച ആദ്യ തിരയലാണ്. എല്ലാ വഴികളും പരീക്ഷിക്കുന്നതിനുപകരം, ഞങ്ങൾ ഏറ്റവും അനുയോജ്യമായത് തിരഞ്ഞെടുക്കുന്നു. മിക്കപ്പോഴും, ഈ രീതി അനാവശ്യമായ തിരയൽ ചെലവുകളില്ലാതെ ഒപ്റ്റിമൽ പ്ലാൻ നൽകുന്നു. A* എന്നത് മികച്ച ആദ്യ തിരയലിന്റെ ഒരു രൂപമാണ് - തുടക്കം മുതൽ ഏറ്റവും മികച്ച വഴികൾ പരിശോധിച്ചുകൊണ്ട്, മറ്റ് ഓപ്ഷനുകൾ പരിശോധിക്കാതെ തന്നെ അതിന് ഇതിനകം തന്നെ മികച്ച പാത കണ്ടെത്താനാകും.

രസകരവും കൂടുതൽ പ്രചാരമുള്ളതുമായ മികച്ച ആദ്യ തിരയൽ ഓപ്ഷൻ മോണ്ടെ കാർലോ ട്രീ സെർച്ചാണ്. ഓരോ തുടർന്നുള്ള പ്രവർത്തനവും തിരഞ്ഞെടുക്കുമ്പോൾ ഏതൊക്കെ പ്ലാനുകളാണ് മികച്ചതെന്ന് ഊഹിക്കുന്നതിനുപകരം, അൽഗോരിതം അതിന്റെ അവസാനം വരെ ഓരോ ഘട്ടത്തിലും ക്രമരഹിതമായ പിൻഗാമികളെ തിരഞ്ഞെടുക്കുന്നു (പദ്ധതി വിജയമോ പരാജയമോ ആയപ്പോൾ). അവസാന ഫലം മുമ്പത്തെ ഓപ്ഷനുകളുടെ ഭാരം കൂട്ടാനോ കുറയ്ക്കാനോ ഉപയോഗിക്കുന്നു. ഈ പ്രക്രിയ തുടർച്ചയായി നിരവധി തവണ ആവർത്തിക്കുന്നതിലൂടെ, സാഹചര്യം മാറിയാലും (ശത്രു പ്ലെയറിൽ ഇടപെടാൻ നടപടിയെടുക്കുകയാണെങ്കിൽ) ഏറ്റവും മികച്ച അടുത്ത നീക്കം എന്താണെന്ന് അൽഗോരിതം നന്നായി കണക്കാക്കുന്നു.

ലക്ഷ്യ-ഓറിയന്റഡ് ആക്ഷൻ പ്ലാനിംഗോ GOAP (ലക്ഷ്യത്തെ അടിസ്ഥാനമാക്കിയുള്ള പ്രവർത്തന ആസൂത്രണം) ഇല്ലാതെ ഗെയിമുകളിലെ ആസൂത്രണത്തെക്കുറിച്ചുള്ള ഒരു കഥയും പൂർത്തിയാകില്ല. ഇത് വ്യാപകമായി ഉപയോഗിക്കപ്പെടുന്നതും ചർച്ച ചെയ്യപ്പെടുന്നതുമായ ഒരു രീതിയാണ്, എന്നാൽ ചില വ്യതിരിക്തമായ വിശദാംശങ്ങളല്ലാതെ, ഞങ്ങൾ നേരത്തെ സംസാരിച്ച ബാക്ക്വേർഡ് ചെയിനിംഗ് രീതിയാണ് ഇത്. "പ്ലെയറിനെ നശിപ്പിക്കുക" എന്നതായിരുന്നു ലക്ഷ്യമെങ്കിൽ, കളിക്കാരൻ കവറിന് പിന്നിലാണെങ്കിൽ, പ്ലാൻ ഇതായിരിക്കാം: ഗ്രനേഡ് ഉപയോഗിച്ച് നശിപ്പിക്കുക → അത് നേടുക → എറിയുക.

സാധാരണയായി നിരവധി ലക്ഷ്യങ്ങളുണ്ട്, ഓരോന്നിനും അതിന്റേതായ മുൻഗണനയുണ്ട്. ഉയർന്ന മുൻഗണനാ ലക്ഷ്യം പൂർത്തീകരിക്കാൻ കഴിയുന്നില്ലെങ്കിൽ (പ്ലെയർ ദൃശ്യമാകാത്തതിനാൽ പ്രവർത്തനങ്ങളുടെ ഒരു സംയോജനവും ഒരു "പ്ലെയറിനെ കൊല്ലുക" എന്ന പ്ലാൻ സൃഷ്ടിക്കുന്നില്ല), AI കുറഞ്ഞ മുൻഗണനാ ലക്ഷ്യങ്ങളിലേക്ക് മടങ്ങും.

പരിശീലനവും പൊരുത്തപ്പെടുത്തലും

ഗെയിം AI സാധാരണയായി മെഷീൻ ലേണിംഗ് ഉപയോഗിക്കില്ലെന്ന് ഞങ്ങൾ ഇതിനകം പറഞ്ഞിട്ടുണ്ട്, കാരണം ഇത് തത്സമയം ഏജന്റുമാരെ നിയന്ത്രിക്കുന്നതിന് അനുയോജ്യമല്ല. എന്നാൽ ഈ പ്രദേശത്ത് നിന്ന് നിങ്ങൾക്ക് എന്തെങ്കിലും കടം വാങ്ങാൻ കഴിയില്ലെന്ന് ഇതിനർത്ഥമില്ല. ഞങ്ങൾക്ക് എന്തെങ്കിലും പഠിക്കാൻ കഴിയുന്ന ഒരു ഷൂട്ടറിൽ ഒരു എതിരാളി വേണം. ഉദാഹരണത്തിന്, മാപ്പിലെ മികച്ച സ്ഥാനങ്ങളെക്കുറിച്ച് കണ്ടെത്തുക. അല്ലെങ്കിൽ ഒരു പോരാട്ട ഗെയിമിലെ എതിരാളി, കളിക്കാരന്റെ പതിവായി ഉപയോഗിക്കുന്ന കോംബോ നീക്കങ്ങളെ തടയുകയും മറ്റുള്ളവരെ ഉപയോഗിക്കാൻ അവനെ പ്രേരിപ്പിക്കുകയും ചെയ്യും. അതിനാൽ അത്തരം സാഹചര്യങ്ങളിൽ മെഷീൻ ലേണിംഗ് വളരെ ഉപയോഗപ്രദമാകും.

സ്ഥിതിവിവരക്കണക്കുകളും സാധ്യതകളും

സങ്കീർണ്ണമായ ഉദാഹരണങ്ങളിലേക്ക് കടക്കുന്നതിന് മുമ്പ്, കുറച്ച് ലളിതമായ അളവുകൾ എടുത്ത് തീരുമാനങ്ങൾ എടുക്കുന്നതിന് അവ ഉപയോഗിച്ച് നമുക്ക് എത്ര ദൂരം പോകാമെന്ന് നോക്കാം. ഉദാഹരണത്തിന്, തത്സമയ തന്ത്രം - ഗെയിമിന്റെ ആദ്യ കുറച്ച് മിനിറ്റുകളിൽ ഒരു കളിക്കാരന് ആക്രമണം നടത്താൻ കഴിയുമോ എന്നും ഇതിനെതിരെ എന്ത് പ്രതിരോധം തയ്യാറാക്കണമെന്നും ഞങ്ങൾ എങ്ങനെ നിർണ്ണയിക്കും? ഭാവിയിലെ പ്രതികരണങ്ങൾ എന്തായിരിക്കുമെന്ന് മനസ്സിലാക്കാൻ ഒരു കളിക്കാരന്റെ മുൻകാല അനുഭവങ്ങൾ നമുക്ക് പഠിക്കാം. ആരംഭിക്കുന്നതിന്, ഞങ്ങൾക്ക് അത്തരം അസംസ്കൃത ഡാറ്റ ഇല്ല, പക്ഷേ ഞങ്ങൾക്ക് അത് ശേഖരിക്കാൻ കഴിയും - ഓരോ തവണയും AI ഒരു മനുഷ്യനെതിരെ കളിക്കുമ്പോൾ, അതിന് ആദ്യത്തെ ആക്രമണത്തിന്റെ സമയം റെക്കോർഡുചെയ്യാനാകും. കുറച്ച് സെഷനുകൾക്ക് ശേഷം, ഭാവിയിൽ കളിക്കാരൻ ആക്രമിക്കാൻ എടുക്കുന്ന സമയത്തിന്റെ ശരാശരി നമുക്ക് ലഭിക്കും.

ശരാശരി മൂല്യങ്ങളിലും ഒരു പ്രശ്നമുണ്ട്: ഒരു കളിക്കാരൻ 20 തവണ ഓടുകയും 20 തവണ സാവധാനം കളിക്കുകയും ചെയ്താൽ, ആവശ്യമായ മൂല്യങ്ങൾ മധ്യത്തിൽ എവിടെയെങ്കിലും ആയിരിക്കും, ഇത് ഞങ്ങൾക്ക് ഉപയോഗപ്രദമായ ഒന്നും നൽകില്ല. ഇൻപുട്ട് ഡാറ്റ പരിമിതപ്പെടുത്തുക എന്നതാണ് ഒരു പരിഹാരം - അവസാന 20 കഷണങ്ങൾ കണക്കിലെടുക്കാം.

കളിക്കാരന്റെ മുൻകാല മുൻഗണനകൾ ഭാവിയിലും സമാനമാകുമെന്ന് കരുതി ചില പ്രവർത്തനങ്ങളുടെ സാധ്യത കണക്കാക്കുമ്പോൾ സമാനമായ ഒരു സമീപനം ഉപയോഗിക്കുന്നു. ഒരു കളിക്കാരൻ നമ്മെ അഞ്ച് തവണ ഫയർബോൾ ഉപയോഗിച്ച് ആക്രമിച്ചാൽ, രണ്ട് തവണ മിന്നൽ കൊണ്ട്, ഒരു തവണ മെലിയിലൂടെ, അയാൾക്ക് ഫയർബോളാണ് ഇഷ്ടമെന്ന് വ്യക്തമാണ്. നമുക്ക് എക്സ്ട്രാപോളേറ്റ് ചെയ്ത് വ്യത്യസ്ത ആയുധങ്ങൾ ഉപയോഗിക്കാനുള്ള സാധ്യത നോക്കാം: ഫയർബോൾ=62,5%, മിന്നൽ=25%, മെലി=12,5%. തീയിൽ നിന്ന് സ്വയം പരിരക്ഷിക്കാൻ ഞങ്ങളുടെ ഗെയിം AI തയ്യാറെടുക്കേണ്ടതുണ്ട്.

മറ്റൊരു രസകരമായ രീതി, വലിയ അളവിലുള്ള ഇൻപുട്ട് ഡാറ്റ പഠിക്കാനും സാഹചര്യം തരംതിരിക്കാനും നേവ് ബയേസ് ക്ലാസിഫയർ ഉപയോഗിക്കുക എന്നതാണ്, അങ്ങനെ AI ആവശ്യമുള്ള രീതിയിൽ പ്രതികരിക്കും. ഇമെയിൽ സ്പാം ഫിൽട്ടറുകളിലെ ഉപയോഗത്തിന് ബയേസിയൻ ക്ലാസിഫയറുകൾ കൂടുതൽ അറിയപ്പെടുന്നു. അവിടെ അവർ വാക്കുകൾ പരിശോധിക്കുന്നു, ആ വാക്കുകൾ മുമ്പ് പ്രത്യക്ഷപ്പെട്ട സ്ഥലവുമായി താരതമ്യം ചെയ്യുക (സ്പാമിലോ അല്ലാതെയോ), ഇൻകമിംഗ് ഇമെയിലുകളെക്കുറിച്ചുള്ള നിഗമനങ്ങളിൽ എത്തിച്ചേരുക. കുറച്ച് ഇൻപുട്ടുകൾ ഉപയോഗിച്ചും നമുക്ക് ഒരേ കാര്യം ചെയ്യാൻ കഴിയും. AI കാണുന്ന എല്ലാ ഉപയോഗപ്രദമായ വിവരങ്ങളെയും അടിസ്ഥാനമാക്കി (ഏത് ശത്രു യൂണിറ്റുകൾ സൃഷ്ടിക്കപ്പെടുന്നു, അല്ലെങ്കിൽ അവർ എന്ത് മന്ത്രങ്ങൾ ഉപയോഗിക്കുന്നു, അല്ലെങ്കിൽ അവർ ഗവേഷണം നടത്തിയ സാങ്കേതിക വിദ്യകൾ), അന്തിമ ഫലം (യുദ്ധം അല്ലെങ്കിൽ സമാധാനം, തിരക്ക് അല്ലെങ്കിൽ പ്രതിരോധം മുതലായവ) - ഞങ്ങൾ ആവശ്യമുള്ള AI സ്വഭാവം തിരഞ്ഞെടുക്കും.

ഈ പരിശീലന രീതികളെല്ലാം മതിയാകും, പക്ഷേ ടെസ്റ്റിംഗ് ഡാറ്റയെ അടിസ്ഥാനമാക്കി അവ ഉപയോഗിക്കുന്നതാണ് ഉചിതം. നിങ്ങളുടെ പ്ലേ ടെസ്റ്റർമാർ ഉപയോഗിച്ച വ്യത്യസ്ത തന്ത്രങ്ങളുമായി പൊരുത്തപ്പെടാൻ AI പഠിക്കും. റിലീസിന് ശേഷം പ്ലെയറുമായി പൊരുത്തപ്പെടുന്ന AI വളരെ പ്രവചിക്കാവുന്നതോ പരാജയപ്പെടുത്താൻ വളരെ ബുദ്ധിമുട്ടുള്ളതോ ആയേക്കാം.

മൂല്യാധിഷ്ഠിത പൊരുത്തപ്പെടുത്തൽ

ഞങ്ങളുടെ ഗെയിം ലോകത്തിന്റെ ഉള്ളടക്കവും നിയമങ്ങളും കണക്കിലെടുക്കുമ്പോൾ, ഇൻപുട്ട് ഡാറ്റ ഉപയോഗിക്കുന്നതിനുപകരം, തീരുമാനമെടുക്കുന്നതിനെ സ്വാധീനിക്കുന്ന മൂല്യങ്ങളുടെ സെറ്റ് മാറ്റാൻ ഞങ്ങൾക്ക് കഴിയും. ഞങ്ങൾ ഇത് ചെയ്യുന്നു:

• ലോകത്തിന്റെ അവസ്ഥയെയും ഗെയിമിലെ പ്രധാന സംഭവങ്ങളെയും കുറിച്ചുള്ള ഡാറ്റ ശേഖരിക്കാൻ AI-യെ അനുവദിക്കുക (മുകളിൽ പറഞ്ഞതുപോലെ).
• ഈ ഡാറ്റയെ അടിസ്ഥാനമാക്കി നമുക്ക് കുറച്ച് പ്രധാനപ്പെട്ട മൂല്യങ്ങൾ മാറ്റാം.
• ഈ മൂല്യങ്ങൾ പ്രോസസ്സ് ചെയ്യുന്നതിനോ വിലയിരുത്തുന്നതിനോ അടിസ്ഥാനമാക്കിയാണ് ഞങ്ങൾ ഞങ്ങളുടെ തീരുമാനങ്ങൾ നടപ്പിലാക്കുന്നത്.

ഉദാഹരണത്തിന്, ഒരു ഫസ്റ്റ്-പേഴ്‌സൺ ഷൂട്ടർ മാപ്പിൽ നിന്ന് തിരഞ്ഞെടുക്കാൻ ഒരു ഏജന്റിന് നിരവധി മുറികളുണ്ട്. ഓരോ മുറിക്കും അതിന്റേതായ മൂല്യമുണ്ട്, അത് സന്ദർശിക്കുന്നത് എത്രത്തോളം അഭികാമ്യമാണെന്ന് നിർണ്ണയിക്കുന്നു. മൂല്യത്തെ അടിസ്ഥാനമാക്കി ഏത് മുറിയിലേക്കാണ് പോകേണ്ടതെന്ന് AI ക്രമരഹിതമായി തിരഞ്ഞെടുക്കുന്നു. പിന്നീട് ഏത് മുറിയിലാണ് താൻ കൊല്ലപ്പെട്ടതെന്ന് ഏജന്റ് ഓർമ്മിക്കുകയും അതിന്റെ മൂല്യം കുറയ്ക്കുകയും ചെയ്യുന്നു (അവൻ അവിടെ തിരിച്ചെത്താനുള്ള സാധ്യത). അതുപോലെ വിപരീത സാഹചര്യത്തിന് - ഏജന്റ് നിരവധി എതിരാളികളെ നശിപ്പിക്കുകയാണെങ്കിൽ, മുറിയുടെ മൂല്യം വർദ്ധിക്കുന്നു.

മാർക്കോവ് മോഡൽ

പ്രവചനങ്ങൾ നടത്താൻ ഞങ്ങൾ ശേഖരിച്ച ഡാറ്റ ഉപയോഗിച്ചാലോ? ഒരു കളിക്കാരനെ നമ്മൾ കാണുന്ന ഓരോ മുറിയും ഒരു നിശ്ചിത സമയത്തേക്ക് നമ്മൾ ഓർക്കുന്നുവെങ്കിൽ, കളിക്കാരൻ ഏത് മുറിയിലേക്കാണ് പോകേണ്ടതെന്ന് ഞങ്ങൾ പ്രവചിക്കും. മുറികളിലുടനീളം കളിക്കാരന്റെ ചലനങ്ങൾ ട്രാക്കുചെയ്യുന്നതിലൂടെയും റെക്കോർഡുചെയ്യുന്നതിലൂടെയും (മൂല്യങ്ങൾ), നമുക്ക് അവ പ്രവചിക്കാൻ കഴിയും.

നമുക്ക് മൂന്ന് മുറികൾ എടുക്കാം: ചുവപ്പ്, പച്ച, നീല. ഗെയിം സെഷൻ കാണുമ്പോൾ ഞങ്ങൾ രേഖപ്പെടുത്തിയ നിരീക്ഷണങ്ങളും:

ഓരോ മുറിയിലെയും നിരീക്ഷണങ്ങളുടെ എണ്ണം ഏതാണ്ട് തുല്യമാണ് - പതിയിരുന്ന് ഒരു നല്ല സ്ഥലം എവിടെ ഉണ്ടാക്കണമെന്ന് ഞങ്ങൾക്ക് ഇപ്പോഴും അറിയില്ല. മാപ്പിൽ ഉടനീളം തുല്യമായി പ്രത്യക്ഷപ്പെടുന്ന കളിക്കാരുടെ പുനരുജ്ജീവനത്താൽ സ്ഥിതിവിവരക്കണക്കുകൾ ശേഖരിക്കുന്നത് സങ്കീർണ്ണമാണ്. എന്നാൽ മാപ്പിൽ പ്രത്യക്ഷപ്പെട്ടതിന് ശേഷം അവർ പ്രവേശിക്കുന്ന അടുത്ത മുറിയെക്കുറിച്ചുള്ള ഡാറ്റ ഇതിനകം ഉപയോഗപ്രദമാണ്.

ഗ്രീൻ റൂം കളിക്കാർക്ക് അനുയോജ്യമാണെന്ന് കാണാൻ കഴിയും - മിക്ക ആളുകളും റെഡ് റൂമിൽ നിന്ന് അതിലേക്ക് നീങ്ങുന്നു, അവരിൽ 50% പേർ അവിടെ തുടരുന്നു. നേരെമറിച്ച്, നീല മുറി ജനപ്രിയമല്ല; മിക്കവാറും ആരും അതിലേക്ക് പോകുന്നില്ല, അവർ അങ്ങനെ ചെയ്താൽ, അവർ അധികനേരം നിൽക്കില്ല.

എന്നാൽ ഡാറ്റ നമ്മോട് കൂടുതൽ പ്രധാനപ്പെട്ട ചിലത് പറയുന്നു - ഒരു കളിക്കാരൻ ഒരു നീല മുറിയിലായിരിക്കുമ്പോൾ, ഞങ്ങൾ അവനെ കാണുന്ന അടുത്ത മുറി ചുവപ്പായിരിക്കും, പച്ചയല്ല. റെഡ് റൂമിനേക്കാൾ ഗ്രീൻ റൂം ജനപ്രിയമാണെങ്കിലും, കളിക്കാരൻ ബ്ലൂ റൂമിലാണെങ്കിൽ സ്ഥിതി മാറുന്നു. അടുത്ത സംസ്ഥാനം (അതായത്, കളിക്കാരൻ പോകുന്ന മുറി) മുമ്പത്തെ അവസ്ഥയെ ആശ്രയിച്ചിരിക്കുന്നു (അതായത്, കളിക്കാരൻ നിലവിൽ ഉള്ള മുറി). ഞങ്ങൾ ആശ്രിതത്വങ്ങൾ പര്യവേക്ഷണം ചെയ്യുന്നതിനാൽ, ഞങ്ങൾ നിരീക്ഷണങ്ങളെ സ്വതന്ത്രമായി കണക്കാക്കുന്നതിനേക്കാൾ കൂടുതൽ കൃത്യമായ പ്രവചനങ്ങൾ നടത്തും.

ഭൂതകാലത്തിൽ നിന്നുള്ള ഡാറ്റയെ അടിസ്ഥാനമാക്കി ഭാവിയിലെ അവസ്ഥ പ്രവചിക്കുന്നതിനെ മാർക്കോവ് മോഡൽ എന്ന് വിളിക്കുന്നു, അത്തരം ഉദാഹരണങ്ങളെ (മുറികളുള്ള) മാർക്കോവ് ശൃംഖലകൾ എന്ന് വിളിക്കുന്നു. പാറ്റേണുകൾ തുടർച്ചയായ അവസ്ഥകൾക്കിടയിലുള്ള മാറ്റങ്ങളുടെ പ്രോബബിലിറ്റിയെ പ്രതിനിധീകരിക്കുന്നതിനാൽ, ഓരോ പരിവർത്തനത്തിനും ചുറ്റുമുള്ള ഒരു പ്രോബബിലിറ്റി ഉപയോഗിച്ച് അവ ദൃശ്യപരമായി FSM-കളായി പ്രദർശിപ്പിക്കും. മുമ്പ്, ഒരു ഏജന്റ് ഉണ്ടായിരുന്ന പെരുമാറ്റ അവസ്ഥയെ പ്രതിനിധീകരിക്കാൻ ഞങ്ങൾ FSM ഉപയോഗിച്ചിരുന്നു, എന്നാൽ ഈ ആശയം ഏജന്റുമായി ബന്ധപ്പെട്ടാലും ഇല്ലെങ്കിലും ഏത് അവസ്ഥയിലേക്കും വ്യാപിക്കുന്നു. ഈ സാഹചര്യത്തിൽ, ഏജന്റ് താമസിക്കുന്ന മുറിയെ സംസ്ഥാനങ്ങൾ പ്രതിനിധീകരിക്കുന്നു:

സംസ്ഥാന മാറ്റങ്ങളുടെ ആപേക്ഷിക സാധ്യതയെ പ്രതിനിധീകരിക്കുന്നതിനുള്ള ഒരു ലളിതമായ മാർഗമാണിത്, അടുത്ത അവസ്ഥ പ്രവചിക്കാൻ AI-ക്ക് കുറച്ച് കഴിവ് നൽകുന്നു. നിങ്ങൾക്ക് മുന്നോട്ട് നിരവധി ഘട്ടങ്ങൾ പ്രതീക്ഷിക്കാം.

ഒരു കളിക്കാരൻ ഗ്രീൻ റൂമിലാണെങ്കിൽ, അടുത്ത തവണ നിരീക്ഷിക്കുമ്പോൾ അവൻ അവിടെ തുടരാനുള്ള സാധ്യത 50% ആണ്. എന്നാൽ അതിനുശേഷവും അദ്ദേഹം അവിടെ ഉണ്ടായിരിക്കാനുള്ള സാധ്യതകൾ എന്തൊക്കെയാണ്? രണ്ട് തവണ നിരീക്ഷിച്ചതിന് ശേഷം താരം ഗ്രീൻ റൂമിൽ തന്നെ തുടരാനുള്ള സാധ്യത മാത്രമല്ല, അവൻ പോയി മടങ്ങിവരാനുള്ള അവസരവുമുണ്ട്. പുതിയ ഡാറ്റ കണക്കിലെടുത്ത് പുതിയ പട്ടിക ഇതാ:

രണ്ട് നിരീക്ഷണങ്ങൾക്ക് ശേഷം കളിക്കാരനെ ഗ്രീൻ റൂമിൽ കാണാനുള്ള സാധ്യത 51% - 21% ന് തുല്യമാകുമെന്ന് ഇത് കാണിക്കുന്നു, അവൻ റെഡ് റൂമിൽ നിന്നുള്ളയാളായിരിക്കും, അതിൽ 5% കളിക്കാരൻ അവർക്കിടയിലുള്ള ബ്ലൂ റൂം സന്ദർശിക്കും, കൂടാതെ കളിക്കാരൻ ഗ്രീൻ റൂം വിടാത്തതിന്റെ 25%.

പട്ടിക കേവലം ഒരു വിഷ്വൽ ടൂൾ ആണ് - നടപടിക്രമത്തിന് ഓരോ ഘട്ടത്തിലും സാധ്യതകൾ വർദ്ധിപ്പിക്കേണ്ടതുണ്ട്. ഇതിനർത്ഥം നിങ്ങൾക്ക് ഒരു മുന്നറിയിപ്പ് ഉപയോഗിച്ച് ഭാവിയിലേക്ക് വളരെ ദൂരെയെ കാണാൻ കഴിയും: ഒരു മുറിയിൽ പ്രവേശിക്കാനുള്ള അവസരം പൂർണ്ണമായും നിലവിലെ മുറിയെ ആശ്രയിച്ചിരിക്കുന്നുവെന്ന് ഞങ്ങൾ അനുമാനിക്കുന്നു. ഇതിനെ മാർക്കോവ് പ്രോപ്പർട്ടി എന്ന് വിളിക്കുന്നു - ഭാവിയിലെ അവസ്ഥ വർത്തമാനകാലത്തെ മാത്രം ആശ്രയിച്ചിരിക്കുന്നു. എന്നാൽ ഇത് 100% കൃത്യമല്ല. മറ്റ് ഘടകങ്ങളെ ആശ്രയിച്ച് കളിക്കാർക്ക് തീരുമാനങ്ങൾ മാറ്റാൻ കഴിയും: ആരോഗ്യ നില അല്ലെങ്കിൽ വെടിമരുന്നിന്റെ അളവ്. ഞങ്ങൾ ഈ മൂല്യങ്ങൾ രേഖപ്പെടുത്താത്തതിനാൽ, ഞങ്ങളുടെ പ്രവചനങ്ങൾക്ക് കൃത്യത കുറവായിരിക്കും.

എൻ-ഗ്രാം

ഒരു പോരാട്ട ഗെയിമിന്റെ ഉദാഹരണത്തെക്കുറിച്ചും കളിക്കാരന്റെ കോംബോ നീക്കങ്ങൾ പ്രവചിക്കുന്നതിനെക്കുറിച്ചും എന്താണ്? അതുതന്നെ! എന്നാൽ ഒരു സംസ്ഥാനത്തിനോ സംഭവത്തിനോ പകരം, ഒരു കോംബോ സ്ട്രൈക്ക് ഉണ്ടാക്കുന്ന മുഴുവൻ സീക്വൻസുകളും ഞങ്ങൾ പരിശോധിക്കും.

ഇതിനുള്ള ഒരു മാർഗ്ഗം ഓരോ ഇൻപുട്ടും (കിക്ക്, പഞ്ച് അല്ലെങ്കിൽ ബ്ലോക്ക് പോലുള്ളവ) ഒരു ബഫറിൽ സംഭരിക്കുകയും മുഴുവൻ ബഫറും ഒരു ഇവന്റായി എഴുതുകയും ചെയ്യുക എന്നതാണ്. അതിനാൽ സൂപ്പർഡെത്ത്ഫിസ്റ്റ് ആക്രമണം ഉപയോഗിക്കുന്നതിന് പ്ലെയർ ആവർത്തിച്ച് കിക്ക്, കിക്ക്, പഞ്ച് അമർത്തുന്നു, AI സിസ്റ്റം എല്ലാ ഇൻപുട്ടുകളും ഒരു ബഫറിൽ സംഭരിക്കുകയും ഓരോ ഘട്ടത്തിലും ഉപയോഗിച്ച അവസാനത്തെ മൂന്ന് ഓർമ്മിക്കുകയും ചെയ്യുന്നു.

(പ്ലെയർ സൂപ്പർ ഡെത്ത് ഫിസ്റ്റ് ആക്രമണം നടത്തുമ്പോഴാണ് ബോൾഡ് വരികൾ.)

കളിക്കാരൻ കിക്ക് തിരഞ്ഞെടുക്കുമ്പോൾ AI എല്ലാ ഓപ്ഷനുകളും കാണും, തുടർന്ന് മറ്റൊരു കിക്ക്, തുടർന്ന് അടുത്ത ഇൻപുട്ട് എല്ലായ്പ്പോഴും പഞ്ച് ആണെന്ന് ശ്രദ്ധിക്കുക. ഇത് SuperDeathFist-ന്റെ കോംബോ നീക്കം പ്രവചിക്കാനും സാധ്യമെങ്കിൽ അത് തടയാനും ഏജന്റിനെ അനുവദിക്കും.

ഇവന്റുകളുടെ ഈ ശ്രേണികളെ N-grams എന്ന് വിളിക്കുന്നു, ഇവിടെ N എന്നത് സംഭരിച്ചിരിക്കുന്ന മൂലകങ്ങളുടെ എണ്ണമാണ്. മുമ്പത്തെ ഉദാഹരണത്തിൽ ഇത് 3-ഗ്രാം (ട്രിഗ്രാം) ആയിരുന്നു, അതായത്: ആദ്യത്തെ രണ്ട് എൻട്രികൾ മൂന്നാമത്തേത് പ്രവചിക്കാൻ ഉപയോഗിക്കുന്നു. അതനുസരിച്ച്, 5-ഗ്രാമിൽ, ആദ്യത്തെ നാല് എൻട്രികൾ അഞ്ചാമത്തേതും മറ്റും പ്രവചിക്കുന്നു.

ഡിസൈനർ എൻ-ഗ്രാമുകളുടെ വലുപ്പം ശ്രദ്ധാപൂർവ്വം തിരഞ്ഞെടുക്കേണ്ടതുണ്ട്. ഒരു ചെറിയ N-ന് കുറച്ച് മെമ്മറി ആവശ്യമാണ്, എന്നാൽ കുറച്ച് ചരിത്രവും സംഭരിക്കുന്നു. ഉദാഹരണത്തിന്, 2-ഗ്രാം (ബിഗ്രാം) കിക്ക്, കിക്ക് അല്ലെങ്കിൽ കിക്ക്, പഞ്ച് എന്നിവ റെക്കോർഡ് ചെയ്യും, എന്നാൽ കിക്ക്, കിക്ക്, പഞ്ച് എന്നിവ സംഭരിക്കാൻ കഴിയില്ല, അതിനാൽ AI SuperDeathFist കോംബോയോട് പ്രതികരിക്കില്ല.

മറുവശത്ത്, വലിയ സംഖ്യകൾക്ക് കൂടുതൽ മെമ്മറി ആവശ്യമാണ്, കൂടാതെ കൂടുതൽ സാധ്യതയുള്ള ഓപ്ഷനുകൾ ഉള്ളതിനാൽ AI പരിശീലിപ്പിക്കാൻ കൂടുതൽ ബുദ്ധിമുട്ടായിരിക്കും. നിങ്ങൾക്ക് മൂന്ന് സാധ്യമായ കിക്ക്, പഞ്ച് അല്ലെങ്കിൽ ബ്ലോക്ക് ഇൻപുട്ടുകൾ ഉണ്ടെങ്കിൽ, ഞങ്ങൾ 10-ഗ്രാം ഉപയോഗിക്കുകയാണെങ്കിൽ, അത് ഏകദേശം 60 ആയിരം വ്യത്യസ്ത ഓപ്ഷനുകൾ ആയിരിക്കും.

ബിഗ്രാം മോഡൽ ഒരു ലളിതമായ മാർക്കോവ് ശൃംഖലയാണ് - ഓരോ പഴയ അവസ്ഥയും/നിലവിലെ അവസ്ഥയും ഒരു ബിഗ്രാം ആണ്, ആദ്യത്തേതിനെ അടിസ്ഥാനമാക്കി നിങ്ങൾക്ക് രണ്ടാമത്തെ അവസ്ഥ പ്രവചിക്കാം. 3-ഗ്രാമും വലുതുമായ N-ഗ്രാമുകളെ മാർക്കോവ് ശൃംഖലകളായി കണക്കാക്കാം, അവിടെ എല്ലാ മൂലകങ്ങളും (N-ഗ്രാമിലെ അവസാനത്തേത് ഒഴികെ) ഒന്നിച്ച് ആദ്യത്തെ അവസ്ഥയും അവസാന മൂലകം രണ്ടാമത്തേതും ഉണ്ടാക്കുന്നു. ഫൈറ്റിംഗ് ഗെയിം ഉദാഹരണം കിക്ക് ആൻഡ് കിക്ക് അവസ്ഥയിൽ നിന്ന് കിക്ക് ആൻഡ് പഞ്ച് അവസ്ഥയിലേക്ക് മാറാനുള്ള സാധ്യത കാണിക്കുന്നു. ഒന്നിലധികം ഇൻപുട്ട് ഹിസ്റ്ററി എൻട്രികളെ ഒരൊറ്റ യൂണിറ്റായി കണക്കാക്കുന്നതിലൂടെ, ഞങ്ങൾ ഇൻപുട്ട് സീക്വൻസിനെ മൊത്തത്തിലുള്ള സംസ്ഥാനത്തിന്റെ ഭാഗമാക്കി മാറ്റുകയാണ്. ഇത് ഞങ്ങൾക്ക് മാർക്കോവ് പ്രോപ്പർട്ടി നൽകുന്നു, ഇത് അടുത്ത ഇൻപുട്ട് പ്രവചിക്കാനും അടുത്ത കോംബോ നീക്കം എന്തായിരിക്കുമെന്ന് ഊഹിക്കാനും മാർക്കോവ് ശൃംഖലകൾ ഉപയോഗിക്കാൻ ഞങ്ങളെ അനുവദിക്കുന്നു.

തീരുമാനം

ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് വികസിപ്പിക്കുന്നതിലെ ഏറ്റവും സാധാരണമായ ഉപകരണങ്ങളെക്കുറിച്ചും സമീപനങ്ങളെക്കുറിച്ചും ഞങ്ങൾ സംസാരിച്ചു. അവ ഉപയോഗിക്കേണ്ട സാഹചര്യങ്ങളും അവ പ്രത്യേകിച്ചും ഉപയോഗപ്രദമായ സ്ഥലങ്ങളും ഞങ്ങൾ പരിശോധിച്ചു.

ഗെയിം AI-യുടെ അടിസ്ഥാനകാര്യങ്ങൾ മനസ്സിലാക്കാൻ ഇത് മതിയാകും. എന്നാൽ, തീർച്ചയായും, ഇവയെല്ലാം രീതികളല്ല. ജനപ്രീതി കുറവാണ്, എന്നാൽ ഫലപ്രദമല്ലാത്തവ ഉൾപ്പെടുന്നു:

• ഹിൽ ക്ലൈംബിംഗ്, ഗ്രേഡിയന്റ് ഡിസെന്റ്, ജനിതക അൽഗോരിതങ്ങൾ എന്നിവ ഉൾപ്പെടുന്ന ഒപ്റ്റിമൈസേഷൻ അൽഗോരിതങ്ങൾ
• പ്രതികൂല തിരയൽ/ഷെഡ്യൂളിംഗ് അൽഗോരിതങ്ങൾ (മിനിമാക്സ്, ആൽഫ-ബീറ്റ പ്രൂണിംഗ്)
• വർഗ്ഗീകരണ രീതികൾ (പെർസെപ്‌ട്രോണുകൾ, ന്യൂറൽ നെറ്റ്‌വർക്കുകൾ, സപ്പോർട്ട് വെക്റ്റർ മെഷീനുകൾ)
• പ്രോസസ്സിംഗ് ഏജന്റുമാരുടെ പെർസെപ്ഷൻ, മെമ്മറി എന്നിവയ്ക്കുള്ള സംവിധാനങ്ങൾ
• AI-യിലേക്കുള്ള വാസ്തുവിദ്യാ സമീപനങ്ങൾ (ഹൈബ്രിഡ് സിസ്റ്റങ്ങൾ, സബ്സെറ്റ് ആർക്കിടെക്ചറുകൾ, AI സിസ്റ്റങ്ങളെ ഓവർലേ ചെയ്യുന്നതിനുള്ള മറ്റ് വഴികൾ)
• ആനിമേഷൻ ഉപകരണങ്ങൾ (ആസൂത്രണവും ചലന ഏകോപനവും)
• പ്രകടന ഘടകങ്ങൾ (വിശദാംശങ്ങളുടെ ലെവൽ, എപ്പോൾ വേണമെങ്കിലും ടൈംലൈസിംഗ് അൽഗോരിതങ്ങൾ)

വിഷയത്തെക്കുറിച്ചുള്ള ഓൺലൈൻ ഉറവിടങ്ങൾ:

1. GameDev.net ഉണ്ട് AI-യെക്കുറിച്ചുള്ള ലേഖനങ്ങളും ട്യൂട്ടോറിയലുകളുമുള്ള വിഭാഗം, അതുപോലെ തന്നെ ഫോറം.
2. AiGameDev.com ഗെയിം AI വികസനവുമായി ബന്ധപ്പെട്ട വിവിധ വിഷയങ്ങളിൽ നിരവധി അവതരണങ്ങളും ലേഖനങ്ങളും അടങ്ങിയിരിക്കുന്നു.
3. GDC വോൾട്ട് GDC AI ഉച്ചകോടിയിൽ നിന്നുള്ള വിഷയങ്ങൾ ഉൾപ്പെടുന്നു, അവയിൽ പലതും സൗജന്യമായി ലഭ്യമാണ്.
4. ഉപയോഗപ്രദമായ മെറ്റീരിയലുകളും വെബ്സൈറ്റിൽ കാണാം AI ഗെയിം പ്രോഗ്രാമേഴ്‌സ് ഗിൽഡ്.
5. AI ഗവേഷകനും ഗെയിം ഡെവലപ്പറുമായ ടോമി തോംസൺ YouTube-ൽ വീഡിയോകൾ നിർമ്മിക്കുന്നു AI, ഗെയിമുകൾ വാണിജ്യ ഗെയിമുകളിലെ AI-യുടെ വിശദീകരണവും പഠനവും.

വിഷയത്തെക്കുറിച്ചുള്ള പുസ്തകങ്ങൾ:

1. നിർദ്ദിഷ്‌ട ഫീച്ചറുകൾ എങ്ങനെ നടപ്പിലാക്കാം അല്ലെങ്കിൽ പ്രത്യേക പ്രശ്‌നങ്ങൾ എങ്ങനെ പരിഹരിക്കാം എന്ന് വിശദീകരിക്കുന്ന ചെറിയ ലേഖനങ്ങളുടെ ഒരു ശേഖരമാണ് ഗെയിം എഐ പ്രോ ബുക്ക് സീരീസ്.

ഗെയിം AI പ്രോ: ഗെയിം AI പ്രൊഫഷണലുകളുടെ ശേഖരിച്ച ജ്ഞാനം
ഗെയിം AI പ്രോ 2: ഗെയിം AI പ്രൊഫഷണലുകളുടെ ശേഖരിച്ച ജ്ഞാനം
ഗെയിം AI പ്രോ 3: ഗെയിം AI പ്രൊഫഷണലുകളുടെ ശേഖരിച്ച ജ്ഞാനം

2. AI ഗെയിം പ്രോഗ്രാമിംഗ് വിസ്ഡം സീരീസ് ഗെയിം AI പ്രോ സീരീസിന്റെ മുൻഗാമിയാണ്. അതിൽ പഴയ രീതികൾ അടങ്ങിയിരിക്കുന്നു, എന്നാൽ മിക്കവാറും എല്ലാം ഇന്നും പ്രസക്തമാണ്.

AI ഗെയിം പ്രോഗ്രാമിംഗ് വിസ്ഡം 1
AI ഗെയിം പ്രോഗ്രാമിംഗ് വിസ്ഡം 2
AI ഗെയിം പ്രോഗ്രാമിംഗ് വിസ്ഡം 3
AI ഗെയിം പ്രോഗ്രാമിംഗ് വിസ്ഡം 4

3. ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ്: ഒരു ആധുനിക സമീപനം ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസിന്റെ പൊതുമേഖലയെക്കുറിച്ച് മനസ്സിലാക്കാൻ ആഗ്രഹിക്കുന്ന എല്ലാവരുടെയും അടിസ്ഥാന ഗ്രന്ഥങ്ങളിൽ ഒന്നാണ്. ഇത് ഗെയിം വികസനത്തെക്കുറിച്ചുള്ള ഒരു പുസ്തകമല്ല - ഇത് AI-യുടെ അടിസ്ഥാനകാര്യങ്ങൾ പഠിപ്പിക്കുന്നു.

അവലംബം: www.habr.com