ਇੱਕ ਗੇਮਿੰਗ AI ਕਿਵੇਂ ਬਣਾਇਆ ਜਾਵੇ: ਸ਼ੁਰੂਆਤ ਕਰਨ ਵਾਲਿਆਂ ਲਈ ਇੱਕ ਗਾਈਡ

ਮੈਨੂੰ ਖੇਡਾਂ ਵਿੱਚ ਨਕਲੀ ਬੁੱਧੀ ਬਾਰੇ ਕੁਝ ਦਿਲਚਸਪ ਸਮੱਗਰੀ ਮਿਲੀ। ਸਧਾਰਨ ਉਦਾਹਰਣਾਂ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ AI ਬਾਰੇ ਬੁਨਿਆਦੀ ਚੀਜ਼ਾਂ ਦੀ ਵਿਆਖਿਆ ਦੇ ਨਾਲ, ਅਤੇ ਇਸਦੇ ਸੁਵਿਧਾਜਨਕ ਵਿਕਾਸ ਅਤੇ ਡਿਜ਼ਾਈਨ ਲਈ ਬਹੁਤ ਸਾਰੇ ਉਪਯੋਗੀ ਸਾਧਨ ਅਤੇ ਤਰੀਕੇ ਹਨ. ਇਨ੍ਹਾਂ ਦੀ ਵਰਤੋਂ ਕਿਵੇਂ, ਕਿੱਥੇ ਅਤੇ ਕਦੋਂ ਕਰਨੀ ਹੈ ਇਹ ਵੀ ਹੈ।

ਜ਼ਿਆਦਾਤਰ ਉਦਾਹਰਣਾਂ ਸੂਡੋਕੋਡ ਵਿੱਚ ਲਿਖੀਆਂ ਗਈਆਂ ਹਨ, ਇਸਲਈ ਕੋਈ ਉੱਨਤ ਪ੍ਰੋਗਰਾਮਿੰਗ ਗਿਆਨ ਦੀ ਲੋੜ ਨਹੀਂ ਹੈ। ਕੱਟ ਦੇ ਹੇਠਾਂ ਤਸਵੀਰਾਂ ਅਤੇ gif ਦੇ ਨਾਲ ਟੈਕਸਟ ਦੀਆਂ 35 ਸ਼ੀਟਾਂ ਹਨ, ਇਸ ਲਈ ਤਿਆਰ ਹੋ ਜਾਓ।

ਯੂ.ਪੀ.ਡੀ. ਮੈਂ ਮੁਆਫੀ ਚਾਹੁੰਦਾ ਹਾਂ, ਪਰ ਮੈਂ ਪਹਿਲਾਂ ਹੀ ਹੈਬਰੇ 'ਤੇ ਇਸ ਲੇਖ ਦਾ ਆਪਣਾ ਅਨੁਵਾਦ ਕਰ ਚੁੱਕਾ ਹਾਂ ਮਰੀਜ਼ਜ਼ੀਰੋ. ਤੁਸੀਂ ਉਸਦਾ ਸੰਸਕਰਣ ਪੜ੍ਹ ਸਕਦੇ ਹੋ ਇੱਥੇ, ਪਰ ਕਿਸੇ ਕਾਰਨ ਕਰਕੇ ਲੇਖ ਨੇ ਮੈਨੂੰ ਪਾਸ ਕੀਤਾ (ਮੈਂ ਖੋਜ ਦੀ ਵਰਤੋਂ ਕੀਤੀ, ਪਰ ਕੁਝ ਗਲਤ ਹੋ ਗਿਆ)। ਅਤੇ ਕਿਉਂਕਿ ਮੈਂ ਗੇਮ ਡਿਵੈਲਪਮੈਂਟ ਨੂੰ ਸਮਰਪਿਤ ਇੱਕ ਬਲੌਗ 'ਤੇ ਲਿਖ ਰਿਹਾ ਹਾਂ, ਮੈਂ ਗਾਹਕਾਂ ਲਈ ਅਨੁਵਾਦ ਦੇ ਆਪਣੇ ਸੰਸਕਰਣ ਨੂੰ ਛੱਡਣ ਦਾ ਫੈਸਲਾ ਕੀਤਾ ਹੈ (ਕੁਝ ਪੁਆਇੰਟ ਵੱਖਰੇ ਰੂਪ ਵਿੱਚ ਫਾਰਮੈਟ ਕੀਤੇ ਗਏ ਹਨ, ਕੁਝ ਨੂੰ ਜਾਣਬੁੱਝ ਕੇ ਡਿਵੈਲਪਰਾਂ ਦੀ ਸਲਾਹ 'ਤੇ ਛੱਡ ਦਿੱਤਾ ਗਿਆ ਸੀ)।

AI ਕੀ ਹੈ?

ਗੇਮ AI ਇਸ ਗੱਲ 'ਤੇ ਕੇਂਦ੍ਰਤ ਕਰਦੀ ਹੈ ਕਿ ਕਿਸੇ ਵਸਤੂ ਨੂੰ ਉਨ੍ਹਾਂ ਸਥਿਤੀਆਂ ਦੇ ਅਧਾਰ 'ਤੇ ਕਿਹੜੀਆਂ ਕਿਰਿਆਵਾਂ ਕਰਨੀਆਂ ਚਾਹੀਦੀਆਂ ਹਨ ਜਿਨ੍ਹਾਂ ਵਿੱਚ ਇਹ ਸਥਿਤ ਹੈ। ਇਸਨੂੰ ਆਮ ਤੌਰ 'ਤੇ "ਬੁੱਧੀਮਾਨ ਏਜੰਟ" ਪ੍ਰਬੰਧਨ ਵਜੋਂ ਜਾਣਿਆ ਜਾਂਦਾ ਹੈ, ਜਿੱਥੇ ਇੱਕ ਏਜੰਟ ਇੱਕ ਖਿਡਾਰੀ ਦਾ ਕਿਰਦਾਰ, ਇੱਕ ਵਾਹਨ, ਇੱਕ ਬੋਟ, ਜਾਂ ਕਈ ਵਾਰ ਕੁਝ ਹੋਰ ਅਮੂਰਤ ਹੁੰਦਾ ਹੈ: ਇਕਾਈਆਂ ਦਾ ਇੱਕ ਪੂਰਾ ਸਮੂਹ ਜਾਂ ਇੱਥੋਂ ਤੱਕ ਕਿ ਇੱਕ ਸਭਿਅਤਾ। ਹਰ ਮਾਮਲੇ ਵਿੱਚ, ਇਹ ਇੱਕ ਅਜਿਹੀ ਚੀਜ਼ ਹੈ ਜਿਸਨੂੰ ਆਪਣੇ ਮਾਹੌਲ ਨੂੰ ਵੇਖਣਾ ਚਾਹੀਦਾ ਹੈ, ਇਸਦੇ ਅਧਾਰ ਤੇ ਫੈਸਲੇ ਲੈਣਾ ਚਾਹੀਦਾ ਹੈ, ਅਤੇ ਉਹਨਾਂ ਦੇ ਅਨੁਸਾਰ ਕੰਮ ਕਰਨਾ ਚਾਹੀਦਾ ਹੈ. ਇਸ ਨੂੰ ਸੈਂਸ/ਥਿੰਕ/ਐਕਟ ਚੱਕਰ ਕਿਹਾ ਜਾਂਦਾ ਹੈ:

• ਸੰਵੇਦਨਾ: ਏਜੰਟ ਆਪਣੇ ਵਾਤਾਵਰਣ ਵਿੱਚ ਉਹਨਾਂ ਚੀਜ਼ਾਂ ਬਾਰੇ ਜਾਣਕਾਰੀ ਲੱਭਦਾ ਜਾਂ ਪ੍ਰਾਪਤ ਕਰਦਾ ਹੈ ਜੋ ਇਸਦੇ ਵਿਵਹਾਰ ਨੂੰ ਪ੍ਰਭਾਵਤ ਕਰ ਸਕਦੀਆਂ ਹਨ (ਨੇੜਲੇ ਖਤਰੇ, ਇਕੱਠੀਆਂ ਕਰਨ ਲਈ ਚੀਜ਼ਾਂ, ਖੋਜ ਕਰਨ ਲਈ ਦਿਲਚਸਪ ਸਥਾਨ)।
• ਸੋਚੋ: ਏਜੰਟ ਫੈਸਲਾ ਕਰਦਾ ਹੈ ਕਿ ਕਿਵੇਂ ਪ੍ਰਤੀਕਿਰਿਆ ਕਰਨੀ ਹੈ (ਵਿਚਾਰ ਕਰਦਾ ਹੈ ਕਿ ਕੀ ਇਹ ਚੀਜ਼ਾਂ ਇਕੱਠੀਆਂ ਕਰਨ ਲਈ ਕਾਫ਼ੀ ਸੁਰੱਖਿਅਤ ਹੈ ਜਾਂ ਕੀ ਉਸਨੂੰ ਪਹਿਲਾਂ ਲੜਨਾ/ਛੁਪਾਉਣਾ ਚਾਹੀਦਾ ਹੈ)।
• ਐਕਟ: ਏਜੰਟ ਪਿਛਲੇ ਫੈਸਲੇ ਨੂੰ ਲਾਗੂ ਕਰਨ ਲਈ ਕਾਰਵਾਈਆਂ ਕਰਦਾ ਹੈ (ਦੁਸ਼ਮਣ ਜਾਂ ਵਸਤੂ ਵੱਲ ਵਧਣਾ ਸ਼ੁਰੂ ਕਰਦਾ ਹੈ)।
• ... ਹੁਣ ਪਾਤਰਾਂ ਦੀਆਂ ਕਿਰਿਆਵਾਂ ਕਾਰਨ ਸਥਿਤੀ ਬਦਲ ਗਈ ਹੈ, ਇਸਲਈ ਚੱਕਰ ਨਵੇਂ ਡੇਟਾ ਨਾਲ ਦੁਹਰਾਇਆ ਜਾਂਦਾ ਹੈ।

AI ਲੂਪ ਦੇ ਸੈਂਸ ਹਿੱਸੇ 'ਤੇ ਧਿਆਨ ਕੇਂਦਰਿਤ ਕਰਦਾ ਹੈ। ਉਦਾਹਰਨ ਲਈ, ਆਟੋਨੋਮਸ ਕਾਰਾਂ ਸੜਕ ਦੀਆਂ ਤਸਵੀਰਾਂ ਲੈਂਦੀਆਂ ਹਨ, ਉਹਨਾਂ ਨੂੰ ਰਾਡਾਰ ਅਤੇ ਲਿਡਰ ਡੇਟਾ ਨਾਲ ਜੋੜਦੀਆਂ ਹਨ, ਅਤੇ ਉਹਨਾਂ ਦੀ ਵਿਆਖਿਆ ਕਰਦੀਆਂ ਹਨ। ਇਹ ਆਮ ਤੌਰ 'ਤੇ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਦੁਆਰਾ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਜੋ ਆਉਣ ਵਾਲੇ ਡੇਟਾ ਦੀ ਪ੍ਰਕਿਰਿਆ ਕਰਦਾ ਹੈ ਅਤੇ ਇਸਦਾ ਅਰਥ ਦਿੰਦਾ ਹੈ, ਅਰਥ ਜਾਣਕਾਰੀ ਨੂੰ ਐਕਸਟਰੈਕਟ ਕਰਨਾ ਜਿਵੇਂ ਕਿ "ਤੁਹਾਡੇ ਤੋਂ 20 ਗਜ਼ ਅੱਗੇ ਇੱਕ ਹੋਰ ਕਾਰ ਹੈ।" ਇਹ ਅਖੌਤੀ ਵਰਗੀਕਰਨ ਸਮੱਸਿਆਵਾਂ ਹਨ।

ਗੇਮਾਂ ਨੂੰ ਜਾਣਕਾਰੀ ਨੂੰ ਐਕਸਟਰੈਕਟ ਕਰਨ ਲਈ ਇੱਕ ਗੁੰਝਲਦਾਰ ਪ੍ਰਣਾਲੀ ਦੀ ਲੋੜ ਨਹੀਂ ਹੁੰਦੀ ਹੈ ਕਿਉਂਕਿ ਜ਼ਿਆਦਾਤਰ ਡੇਟਾ ਪਹਿਲਾਂ ਹੀ ਇਸਦਾ ਇੱਕ ਅਨਿੱਖੜਵਾਂ ਹਿੱਸਾ ਹੈ. ਇਹ ਨਿਰਧਾਰਤ ਕਰਨ ਲਈ ਚਿੱਤਰ ਮਾਨਤਾ ਐਲਗੋਰਿਦਮ ਚਲਾਉਣ ਦੀ ਕੋਈ ਲੋੜ ਨਹੀਂ ਹੈ ਕਿ ਕੀ ਅੱਗੇ ਕੋਈ ਦੁਸ਼ਮਣ ਹੈ — ਗੇਮ ਪਹਿਲਾਂ ਹੀ ਜਾਣਦੀ ਹੈ ਅਤੇ ਜਾਣਕਾਰੀ ਨੂੰ ਸਿੱਧੇ ਫੈਸਲੇ ਲੈਣ ਦੀ ਪ੍ਰਕਿਰਿਆ ਵਿੱਚ ਫੀਡ ਕਰਦੀ ਹੈ। ਇਸ ਲਈ, ਚੱਕਰ ਦਾ ਸੰਵੇਦਨਾ ਵਾਲਾ ਹਿੱਸਾ ਅਕਸਰ ਸੋਚੋ ਅਤੇ ਕਾਰਜ ਭਾਗ ਨਾਲੋਂ ਬਹੁਤ ਸਰਲ ਹੁੰਦਾ ਹੈ।

ਗੇਮ ਏਆਈ ਦੀਆਂ ਸੀਮਾਵਾਂ

AI ਦੀਆਂ ਬਹੁਤ ਸਾਰੀਆਂ ਸੀਮਾਵਾਂ ਹਨ ਜਿਨ੍ਹਾਂ ਦਾ ਪਾਲਣ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ:

• AI ਨੂੰ ਪਹਿਲਾਂ ਤੋਂ ਸਿਖਲਾਈ ਦੇਣ ਦੀ ਲੋੜ ਨਹੀਂ ਹੈ, ਜਿਵੇਂ ਕਿ ਇਹ ਇੱਕ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਐਲਗੋਰਿਦਮ ਸੀ। ਹਜ਼ਾਰਾਂ ਖਿਡਾਰੀਆਂ ਦੀ ਨਿਗਰਾਨੀ ਕਰਨ ਅਤੇ ਉਨ੍ਹਾਂ ਦੇ ਵਿਰੁੱਧ ਖੇਡਣ ਦਾ ਸਭ ਤੋਂ ਵਧੀਆ ਤਰੀਕਾ ਸਿੱਖਣ ਲਈ ਵਿਕਾਸ ਦੇ ਦੌਰਾਨ ਇੱਕ ਨਿਊਰਲ ਨੈਟਵਰਕ ਲਿਖਣਾ ਕੋਈ ਅਰਥ ਨਹੀਂ ਰੱਖਦਾ। ਕਿਉਂ? ਕਿਉਂਕਿ ਗੇਮ ਜਾਰੀ ਨਹੀਂ ਕੀਤੀ ਗਈ ਹੈ ਅਤੇ ਕੋਈ ਖਿਡਾਰੀ ਨਹੀਂ ਹਨ.
• ਗੇਮ ਮਜ਼ੇਦਾਰ ਅਤੇ ਚੁਣੌਤੀਪੂਰਨ ਹੋਣੀ ਚਾਹੀਦੀ ਹੈ, ਇਸਲਈ ਏਜੰਟਾਂ ਨੂੰ ਲੋਕਾਂ ਦੇ ਵਿਰੁੱਧ ਸਭ ਤੋਂ ਵਧੀਆ ਪਹੁੰਚ ਨਹੀਂ ਲੱਭਣੀ ਚਾਹੀਦੀ।
• ਏਜੰਟਾਂ ਨੂੰ ਯਥਾਰਥਵਾਦੀ ਦੇਖਣ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ ਤਾਂ ਜੋ ਖਿਡਾਰੀ ਮਹਿਸੂਸ ਕਰਨ ਕਿ ਉਹ ਅਸਲ ਲੋਕਾਂ ਦੇ ਵਿਰੁੱਧ ਖੇਡ ਰਹੇ ਹਨ। ਅਲਫਾਗੋ ਪ੍ਰੋਗਰਾਮ ਨੇ ਮਨੁੱਖਾਂ ਨੂੰ ਪਛਾੜ ਦਿੱਤਾ, ਪਰ ਚੁਣੇ ਗਏ ਕਦਮ ਖੇਡ ਦੀ ਰਵਾਇਤੀ ਸਮਝ ਤੋਂ ਬਹੁਤ ਦੂਰ ਸਨ। ਜੇ ਖੇਡ ਇੱਕ ਮਨੁੱਖੀ ਵਿਰੋਧੀ ਦੀ ਨਕਲ ਕਰਦੀ ਹੈ, ਤਾਂ ਇਹ ਭਾਵਨਾ ਮੌਜੂਦ ਨਹੀਂ ਹੋਣੀ ਚਾਹੀਦੀ. ਐਲਗੋਰਿਦਮ ਨੂੰ ਬਦਲਣ ਦੀ ਲੋੜ ਹੈ ਤਾਂ ਜੋ ਇਹ ਆਦਰਸ਼ਾਂ ਦੀ ਬਜਾਏ ਸਹੀ ਫ਼ੈਸਲੇ ਕਰੇ।
• AI ਨੂੰ ਰੀਅਲ ਟਾਈਮ ਵਿੱਚ ਕੰਮ ਕਰਨਾ ਚਾਹੀਦਾ ਹੈ। ਇਸਦਾ ਮਤਲਬ ਹੈ ਕਿ ਐਲਗੋਰਿਦਮ ਫੈਸਲੇ ਲੈਣ ਲਈ ਲੰਬੇ ਸਮੇਂ ਲਈ CPU ਵਰਤੋਂ ਨੂੰ ਏਕਾਧਿਕਾਰ ਨਹੀਂ ਕਰ ਸਕਦਾ। ਇੱਥੋਂ ਤੱਕ ਕਿ 10 ਮਿਲੀਸਕਿੰਟ ਵੀ ਬਹੁਤ ਲੰਬਾ ਹੈ, ਕਿਉਂਕਿ ਜ਼ਿਆਦਾਤਰ ਗੇਮਾਂ ਨੂੰ ਸਾਰੀ ਪ੍ਰਕਿਰਿਆ ਕਰਨ ਅਤੇ ਅਗਲੇ ਗ੍ਰਾਫਿਕਸ ਫ੍ਰੇਮ 'ਤੇ ਜਾਣ ਲਈ ਸਿਰਫ਼ 16 ਤੋਂ 33 ਮਿਲੀਸਕਿੰਟ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ।
• ਆਦਰਸ਼ਕ ਤੌਰ 'ਤੇ, ਸਿਸਟਮ ਦਾ ਘੱਟੋ-ਘੱਟ ਹਿੱਸਾ ਡਾਟਾ-ਸੰਚਾਲਿਤ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ, ਤਾਂ ਜੋ ਗੈਰ-ਕੋਡਰ ਤਬਦੀਲੀਆਂ ਕਰ ਸਕਣ ਅਤੇ ਐਡਜਸਟਮੈਂਟ ਹੋਰ ਤੇਜ਼ੀ ਨਾਲ ਹੋ ਸਕਣ।

ਆਉ AI ਪਹੁੰਚਾਂ ਨੂੰ ਵੇਖੀਏ ਜੋ ਪੂਰੇ ਸੰਵੇਦਨਾ/ਸੋਚ/ਐਕਟ ਚੱਕਰ ਨੂੰ ਕਵਰ ਕਰਦੇ ਹਨ।

ਬੁਨਿਆਦੀ ਫੈਸਲੇ ਲੈਣਾ

ਆਉ ਸਭ ਤੋਂ ਸਰਲ ਗੇਮ - ਪੋਂਗ ਨਾਲ ਸ਼ੁਰੂ ਕਰੀਏ। ਟੀਚਾ: ਪੈਡਲ ਨੂੰ ਹਿਲਾਓ ਤਾਂ ਕਿ ਗੇਂਦ ਉੱਡਣ ਦੀ ਬਜਾਏ ਇਸ ਤੋਂ ਉਛਲ ਜਾਵੇ। ਇਹ ਟੈਨਿਸ ਵਰਗਾ ਹੈ, ਜਿੱਥੇ ਤੁਸੀਂ ਹਾਰ ਜਾਂਦੇ ਹੋ ਜੇਕਰ ਤੁਸੀਂ ਗੇਂਦ ਨੂੰ ਨਹੀਂ ਮਾਰਦੇ. ਇੱਥੇ AI ਕੋਲ ਇੱਕ ਮੁਕਾਬਲਤਨ ਆਸਾਨ ਕੰਮ ਹੈ - ਇਹ ਫੈਸਲਾ ਕਰਨਾ ਕਿ ਪਲੇਟਫਾਰਮ ਨੂੰ ਕਿਸ ਦਿਸ਼ਾ ਵਿੱਚ ਲਿਜਾਣਾ ਹੈ।

ਸ਼ਰਤੀਆ ਬਿਆਨ

ਪੌਂਗ ਵਿੱਚ ਏਆਈ ਲਈ, ਸਭ ਤੋਂ ਸਪੱਸ਼ਟ ਹੱਲ ਹਮੇਸ਼ਾ ਪਲੇਟਫਾਰਮ ਨੂੰ ਗੇਂਦ ਦੇ ਹੇਠਾਂ ਰੱਖਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਨਾ ਹੈ.

ਇਸਦੇ ਲਈ ਇੱਕ ਸਧਾਰਨ ਐਲਗੋਰਿਦਮ, ਸੂਡੋਕੋਡ ਵਿੱਚ ਲਿਖਿਆ ਗਿਆ ਹੈ:

ਜਦੋਂ ਗੇਮ ਚੱਲ ਰਹੀ ਹੋਵੇ ਤਾਂ ਹਰ ਫਰੇਮ/ਅੱਪਡੇਟ:
ਜੇਕਰ ਗੇਂਦ ਪੈਡਲ ਦੇ ਖੱਬੇ ਪਾਸੇ ਹੈ:
ਪੈਡਲ ਨੂੰ ਖੱਬੇ ਪਾਸੇ ਲਿਜਾਓ
ਹੋਰ ਜੇਕਰ ਗੇਂਦ ਪੈਡਲ ਦੇ ਸੱਜੇ ਪਾਸੇ ਹੈ:
ਪੈਡਲ ਨੂੰ ਸੱਜੇ ਹਿਲਾਓ

ਜੇਕਰ ਪਲੇਟਫਾਰਮ ਗੇਂਦ ਦੀ ਗਤੀ 'ਤੇ ਚਲਦਾ ਹੈ, ਤਾਂ ਇਹ ਪੌਂਗ ਵਿੱਚ ਏਆਈ ਲਈ ਆਦਰਸ਼ ਐਲਗੋਰਿਦਮ ਹੈ। ਕਿਸੇ ਵੀ ਚੀਜ਼ ਨੂੰ ਗੁੰਝਲਦਾਰ ਕਰਨ ਦੀ ਕੋਈ ਲੋੜ ਨਹੀਂ ਹੈ ਜੇਕਰ ਏਜੰਟ ਲਈ ਇੰਨਾ ਜ਼ਿਆਦਾ ਡੇਟਾ ਅਤੇ ਸੰਭਵ ਕਾਰਵਾਈਆਂ ਨਹੀਂ ਹਨ।

ਇਹ ਪਹੁੰਚ ਇੰਨੀ ਸਰਲ ਹੈ ਕਿ ਸਮੁੱਚਾ ਸੰਵੇਦਨਾ/ਸੋਚ/ਐਕਟ ਚੱਕਰ ਬਹੁਤ ਘੱਟ ਧਿਆਨ ਦੇਣ ਯੋਗ ਹੈ। ਪਰ ਇਹ ਉੱਥੇ ਹੈ:

• ਸੈਂਸ ਭਾਗ ਦੋ ਜੇ ਸਟੇਟਮੈਂਟਾਂ ਵਿੱਚ ਹੁੰਦਾ ਹੈ। ਗੇਮ ਜਾਣਦੀ ਹੈ ਕਿ ਗੇਂਦ ਕਿੱਥੇ ਹੈ ਅਤੇ ਪਲੇਟਫਾਰਮ ਕਿੱਥੇ ਹੈ, ਇਸਲਈ ਏਆਈ ਉਸ ​​ਜਾਣਕਾਰੀ ਲਈ ਇਸ ਨੂੰ ਵੇਖਦਾ ਹੈ।
• ਥਿੰਕ ਭਾਗ ਨੂੰ ਵੀ ਦੋ ਜੇ ਸਟੇਟਮੈਂਟਾਂ ਵਿੱਚ ਸ਼ਾਮਲ ਕੀਤਾ ਗਿਆ ਹੈ। ਉਹ ਦੋ ਹੱਲਾਂ ਨੂੰ ਮੂਰਤੀਮਾਨ ਕਰਦੇ ਹਨ, ਜੋ ਇਸ ਕੇਸ ਵਿੱਚ ਆਪਸੀ ਵਿਸ਼ੇਸ਼ ਹਨ. ਨਤੀਜੇ ਵਜੋਂ, ਤਿੰਨ ਕਿਰਿਆਵਾਂ ਵਿੱਚੋਂ ਇੱਕ ਚੁਣਿਆ ਗਿਆ ਹੈ - ਪਲੇਟਫਾਰਮ ਨੂੰ ਖੱਬੇ ਪਾਸੇ ਲਿਜਾਓ, ਇਸਨੂੰ ਸੱਜੇ ਪਾਸੇ ਲਿਜਾਓ, ਜਾਂ ਕੁਝ ਨਾ ਕਰੋ ਜੇਕਰ ਇਹ ਪਹਿਲਾਂ ਹੀ ਸਹੀ ਸਥਿਤੀ ਵਿੱਚ ਹੈ।
• ਐਕਟ ਦਾ ਹਿੱਸਾ ਮੂਵ ਪੈਡਲ ਖੱਬੇ ਅਤੇ ਮੂਵ ਪੈਡਲ ਰਾਈਟ ਸਟੇਟਮੈਂਟਾਂ ਵਿੱਚ ਪਾਇਆ ਜਾਂਦਾ ਹੈ। ਗੇਮ ਡਿਜ਼ਾਈਨ 'ਤੇ ਨਿਰਭਰ ਕਰਦੇ ਹੋਏ, ਉਹ ਪਲੇਟਫਾਰਮ ਨੂੰ ਤੁਰੰਤ ਜਾਂ ਕਿਸੇ ਖਾਸ ਗਤੀ 'ਤੇ ਮੂਵ ਕਰ ਸਕਦੇ ਹਨ।

ਅਜਿਹੀਆਂ ਪਹੁੰਚਾਂ ਨੂੰ ਪ੍ਰਤੀਕਿਰਿਆਸ਼ੀਲ ਕਿਹਾ ਜਾਂਦਾ ਹੈ - ਨਿਯਮਾਂ ਦਾ ਇੱਕ ਸਧਾਰਨ ਸਮੂਹ ਹੁੰਦਾ ਹੈ (ਇਸ ਕੇਸ ਵਿੱਚ ਜੇ ਕੋਡ ਵਿੱਚ ਬਿਆਨ) ਜੋ ਸੰਸਾਰ ਦੀ ਮੌਜੂਦਾ ਸਥਿਤੀ ਤੇ ਪ੍ਰਤੀਕਿਰਿਆ ਕਰਦੇ ਹਨ ਅਤੇ ਕਾਰਵਾਈ ਕਰਦੇ ਹਨ।

ਫੈਸਲੇ ਦਾ ਰੁੱਖ

ਪੌਂਗ ਉਦਾਹਰਨ ਅਸਲ ਵਿੱਚ ਇੱਕ ਰਸਮੀ AI ਸੰਕਲਪ ਦੇ ਬਰਾਬਰ ਹੈ ਜਿਸਨੂੰ ਇੱਕ ਫੈਸਲੇ ਦਾ ਰੁੱਖ ਕਿਹਾ ਜਾਂਦਾ ਹੈ। ਐਲਗੋਰਿਦਮ ਇੱਕ "ਪੱਤੇ" ਤੱਕ ਪਹੁੰਚਣ ਲਈ ਇਸ ਵਿੱਚੋਂ ਲੰਘਦਾ ਹੈ - ਇਹ ਫੈਸਲਾ ਕਿ ਕੀ ਕਾਰਵਾਈ ਕਰਨੀ ਹੈ।

ਆਉ ਸਾਡੇ ਪਲੇਟਫਾਰਮ ਦੇ ਐਲਗੋਰਿਦਮ ਲਈ ਫੈਸਲੇ ਦੇ ਰੁੱਖ ਦਾ ਇੱਕ ਬਲਾਕ ਚਿੱਤਰ ਬਣਾਈਏ:

ਰੁੱਖ ਦੇ ਹਰੇਕ ਹਿੱਸੇ ਨੂੰ ਨੋਡ ਕਿਹਾ ਜਾਂਦਾ ਹੈ - AI ਅਜਿਹੀਆਂ ਬਣਤਰਾਂ ਦਾ ਵਰਣਨ ਕਰਨ ਲਈ ਗ੍ਰਾਫ ਥਿਊਰੀ ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ। ਦੋ ਕਿਸਮ ਦੇ ਨੋਡ ਹਨ:

• ਫੈਸਲਾ ਨੋਡ: ਕੁਝ ਸਥਿਤੀਆਂ ਦੀ ਜਾਂਚ ਦੇ ਆਧਾਰ 'ਤੇ ਦੋ ਵਿਕਲਪਾਂ ਵਿਚਕਾਰ ਚੋਣ ਕਰਨਾ, ਜਿੱਥੇ ਹਰੇਕ ਵਿਕਲਪ ਨੂੰ ਇੱਕ ਵੱਖਰੇ ਨੋਡ ਵਜੋਂ ਦਰਸਾਇਆ ਜਾਂਦਾ ਹੈ।
• ਅੰਤ ਨੋਡਸ: ਕਰਨ ਲਈ ਕਾਰਵਾਈ ਜੋ ਅੰਤਮ ਫੈਸਲੇ ਨੂੰ ਦਰਸਾਉਂਦੀ ਹੈ।

ਐਲਗੋਰਿਦਮ ਪਹਿਲੇ ਨੋਡ (ਰੁੱਖ ਦੀ "ਰੂਟ") ਤੋਂ ਸ਼ੁਰੂ ਹੁੰਦਾ ਹੈ। ਇਹ ਜਾਂ ਤਾਂ ਇਹ ਫੈਸਲਾ ਕਰਦਾ ਹੈ ਕਿ ਕਿਸ ਚਾਈਲਡ ਨੋਡ 'ਤੇ ਜਾਣਾ ਹੈ, ਜਾਂ ਇਹ ਨੋਡ ਵਿੱਚ ਸਟੋਰ ਕੀਤੀ ਕਾਰਵਾਈ ਨੂੰ ਚਲਾਉਂਦਾ ਹੈ ਅਤੇ ਬਾਹਰ ਨਿਕਲਦਾ ਹੈ।

ਪਿਛਲੇ ਸੈਕਸ਼ਨ ਵਿੱਚ if ਸਟੇਟਮੈਂਟਾਂ ਵਾਂਗ ਹੀ ਕੰਮ ਕਰਨ ਦਾ ਫੈਸਲਾ ਟ੍ਰੀ ਹੋਣ ਦਾ ਕੀ ਫਾਇਦਾ ਹੈ? ਇੱਥੇ ਇੱਕ ਆਮ ਪ੍ਰਣਾਲੀ ਹੈ ਜਿੱਥੇ ਹਰੇਕ ਫੈਸਲੇ ਦੀ ਸਿਰਫ ਇੱਕ ਸ਼ਰਤ ਅਤੇ ਦੋ ਸੰਭਵ ਨਤੀਜੇ ਹੁੰਦੇ ਹਨ। ਇਹ ਡਿਵੈਲਪਰ ਨੂੰ ਇੱਕ ਟ੍ਰੀ ਵਿੱਚ ਫੈਸਲਿਆਂ ਨੂੰ ਦਰਸਾਉਣ ਵਾਲੇ ਡੇਟਾ ਤੋਂ AI ਬਣਾਉਣ ਦੀ ਆਗਿਆ ਦਿੰਦਾ ਹੈ ਬਿਨਾਂ ਇਸਨੂੰ ਹਾਰਡ-ਕੋਡ ਕੀਤੇ। ਆਓ ਇਸਨੂੰ ਟੇਬਲ ਦੇ ਰੂਪ ਵਿੱਚ ਪੇਸ਼ ਕਰੀਏ:

ਕੋਡ ਵਾਲੇ ਪਾਸੇ ਤੁਹਾਨੂੰ ਸਤਰ ਪੜ੍ਹਨ ਲਈ ਇੱਕ ਸਿਸਟਮ ਮਿਲੇਗਾ। ਉਹਨਾਂ ਵਿੱਚੋਂ ਹਰੇਕ ਲਈ ਇੱਕ ਨੋਡ ਬਣਾਓ, ਦੂਜੇ ਕਾਲਮ ਦੇ ਅਧਾਰ ਤੇ ਫੈਸਲੇ ਦੇ ਤਰਕ ਨੂੰ ਜੋੜੋ, ਅਤੇ ਤੀਜੇ ਅਤੇ ਚੌਥੇ ਕਾਲਮ ਦੇ ਅਧਾਰ ਤੇ ਚਾਈਲਡ ਨੋਡ ਬਣਾਓ। ਤੁਹਾਨੂੰ ਅਜੇ ਵੀ ਸ਼ਰਤਾਂ ਅਤੇ ਕਿਰਿਆਵਾਂ ਨੂੰ ਪ੍ਰੋਗਰਾਮ ਕਰਨ ਦੀ ਲੋੜ ਹੈ, ਪਰ ਹੁਣ ਖੇਡ ਦੀ ਬਣਤਰ ਵਧੇਰੇ ਗੁੰਝਲਦਾਰ ਹੋਵੇਗੀ। ਇੱਥੇ ਤੁਸੀਂ ਵਾਧੂ ਫੈਸਲੇ ਅਤੇ ਕਾਰਵਾਈਆਂ ਜੋੜਦੇ ਹੋ, ਅਤੇ ਫਿਰ ਸਿਰਫ਼ ਟ੍ਰੀ ਡੈਫੀਨੇਸ਼ਨ ਟੈਕਸਟ ਫਾਈਲ ਨੂੰ ਸੰਪਾਦਿਤ ਕਰਕੇ ਪੂਰੇ AI ਨੂੰ ਅਨੁਕੂਲਿਤ ਕਰੋ। ਅੱਗੇ, ਤੁਸੀਂ ਫਾਈਲ ਨੂੰ ਗੇਮ ਡਿਜ਼ਾਈਨਰ ਨੂੰ ਟ੍ਰਾਂਸਫਰ ਕਰਦੇ ਹੋ, ਜੋ ਗੇਮ ਨੂੰ ਦੁਬਾਰਾ ਕੰਪਾਇਲ ਕੀਤੇ ਜਾਂ ਕੋਡ ਨੂੰ ਬਦਲੇ ਬਿਨਾਂ ਵਿਵਹਾਰ ਨੂੰ ਬਦਲ ਸਕਦਾ ਹੈ।

ਨਿਰਣਾਇਕ ਰੁੱਖ ਬਹੁਤ ਉਪਯੋਗੀ ਹੁੰਦੇ ਹਨ ਜਦੋਂ ਉਹ ਉਦਾਹਰਨਾਂ ਦੇ ਇੱਕ ਵੱਡੇ ਸਮੂਹ (ਉਦਾਹਰਨ ਲਈ, ID3 ਐਲਗੋਰਿਦਮ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ) ਤੋਂ ਆਪਣੇ ਆਪ ਹੀ ਬਣਾਏ ਜਾਂਦੇ ਹਨ। ਇਹ ਉਹਨਾਂ ਨੂੰ ਪ੍ਰਾਪਤ ਕੀਤੇ ਡੇਟਾ ਦੇ ਅਧਾਰ ਤੇ ਸਥਿਤੀਆਂ ਦਾ ਵਰਗੀਕਰਨ ਕਰਨ ਲਈ ਇੱਕ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਅਤੇ ਉੱਚ-ਪ੍ਰਦਰਸ਼ਨ ਵਾਲਾ ਸਾਧਨ ਬਣਾਉਂਦਾ ਹੈ। ਹਾਲਾਂਕਿ, ਅਸੀਂ ਏਜੰਟਾਂ ਲਈ ਕਾਰਵਾਈਆਂ ਦੀ ਚੋਣ ਕਰਨ ਲਈ ਇੱਕ ਸਧਾਰਨ ਪ੍ਰਣਾਲੀ ਤੋਂ ਪਰੇ ਜਾਂਦੇ ਹਾਂ।

ਦ੍ਰਿਸ਼

ਅਸੀਂ ਇੱਕ ਨਿਰਣਾਇਕ ਰੁੱਖ ਪ੍ਰਣਾਲੀ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕੀਤਾ ਜੋ ਪਹਿਲਾਂ ਤੋਂ ਬਣਾਈਆਂ ਸਥਿਤੀਆਂ ਅਤੇ ਕਾਰਵਾਈਆਂ ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਸੀ। AI ਨੂੰ ਡਿਜ਼ਾਈਨ ਕਰਨ ਵਾਲਾ ਵਿਅਕਤੀ ਦਰਖਤ ਨੂੰ ਸੰਗਠਿਤ ਕਰ ਸਕਦਾ ਹੈ ਜਿਵੇਂ ਉਹ ਚਾਹੁੰਦਾ ਹੈ, ਪਰ ਉਸਨੂੰ ਅਜੇ ਵੀ ਕੋਡਰ 'ਤੇ ਭਰੋਸਾ ਕਰਨਾ ਪੈਂਦਾ ਹੈ ਜਿਸ ਨੇ ਇਹ ਸਭ ਪ੍ਰੋਗਰਾਮ ਕੀਤਾ ਹੈ। ਉਦੋਂ ਕੀ ਜੇ ਅਸੀਂ ਡਿਜ਼ਾਈਨਰ ਨੂੰ ਆਪਣੀਆਂ ਸਥਿਤੀਆਂ ਜਾਂ ਕਾਰਵਾਈਆਂ ਬਣਾਉਣ ਲਈ ਸੰਦ ਦੇ ਸਕਦੇ ਹਾਂ?

ਇਸ ਲਈ ਕਿ ਪ੍ਰੋਗਰਾਮਰ ਨੂੰ ਪੈਡਲ ਦੇ ਖੱਬੇ ਪਾਸੇ ਅਤੇ ਪੈਡਲ ਦੇ ਸੱਜੇ ਪਾਸੇ ਦੀਆਂ ਸ਼ਰਤਾਂ ਲਈ ਕੋਡ ਲਿਖਣ ਦੀ ਲੋੜ ਨਹੀਂ ਹੈ, ਉਹ ਇੱਕ ਸਿਸਟਮ ਬਣਾ ਸਕਦਾ ਹੈ ਜਿਸ ਵਿੱਚ ਡਿਜ਼ਾਈਨਰ ਇਹਨਾਂ ਮੁੱਲਾਂ ਦੀ ਜਾਂਚ ਕਰਨ ਲਈ ਸ਼ਰਤਾਂ ਲਿਖੇਗਾ। ਫਿਰ ਫੈਸਲਾ ਟ੍ਰੀ ਡੇਟਾ ਇਸ ਤਰ੍ਹਾਂ ਦਿਖਾਈ ਦੇਵੇਗਾ:

ਇਹ ਜ਼ਰੂਰੀ ਤੌਰ 'ਤੇ ਪਹਿਲੀ ਸਾਰਣੀ ਵਾਂਗ ਹੀ ਹੈ, ਪਰ ਆਪਣੇ ਅੰਦਰਲੇ ਹੱਲਾਂ ਦਾ ਆਪਣਾ ਕੋਡ ਹੁੰਦਾ ਹੈ, ਥੋੜਾ ਜਿਹਾ if ਸਟੇਟਮੈਂਟ ਦੇ ਕੰਡੀਸ਼ਨਲ ਹਿੱਸੇ ਵਾਂਗ ਹੁੰਦਾ ਹੈ। ਕੋਡ ਸਾਈਡ 'ਤੇ, ਇਹ ਫੈਸਲੇ ਨੋਡਾਂ ਲਈ ਦੂਜੇ ਕਾਲਮ ਵਿੱਚ ਪੜ੍ਹੇਗਾ, ਪਰ ਚਲਾਉਣ ਲਈ ਇੱਕ ਖਾਸ ਸਥਿਤੀ ਦੀ ਖੋਜ ਕਰਨ ਦੀ ਬਜਾਏ (ਪੈਡਲ ਦਾ ਖੱਬੇ ਪਾਸੇ ਹੈ), ਇਹ ਕੰਡੀਸ਼ਨਲ ਸਮੀਕਰਨ ਦਾ ਮੁਲਾਂਕਣ ਕਰਦਾ ਹੈ ਅਤੇ ਉਸ ਅਨੁਸਾਰ ਸਹੀ ਜਾਂ ਗਲਤ ਵਾਪਸ ਕਰਦਾ ਹੈ। ਇਹ ਲੂਆ ਜਾਂ ਐਂਜੇਲਸਕਰਿਪਟ ਸਕ੍ਰਿਪਟਿੰਗ ਭਾਸ਼ਾ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਕੀਤਾ ਜਾਂਦਾ ਹੈ। ਇਹਨਾਂ ਦੀ ਵਰਤੋਂ ਕਰਕੇ, ਇੱਕ ਡਿਵੈਲਪਰ ਆਪਣੀ ਗੇਮ (ਬਾਲ ਅਤੇ ਪੈਡਲ) ਵਿੱਚ ਵਸਤੂਆਂ ਲੈ ਸਕਦਾ ਹੈ ਅਤੇ ਵੇਰੀਏਬਲ ਬਣਾ ਸਕਦਾ ਹੈ ਜੋ ਸਕ੍ਰਿਪਟ (ball.position) ਵਿੱਚ ਉਪਲਬਧ ਹੋਣਗੇ। ਨਾਲ ਹੀ, ਸਕ੍ਰਿਪਟਿੰਗ ਭਾਸ਼ਾ C++ ਨਾਲੋਂ ਸਰਲ ਹੈ। ਇਸ ਨੂੰ ਸੰਪੂਰਨ ਸੰਕਲਨ ਪੜਾਅ ਦੀ ਲੋੜ ਨਹੀਂ ਹੈ, ਇਸਲਈ ਇਹ ਗੇਮ ਤਰਕ ਨੂੰ ਤੇਜ਼ੀ ਨਾਲ ਵਿਵਸਥਿਤ ਕਰਨ ਲਈ ਆਦਰਸ਼ ਹੈ ਅਤੇ "ਗੈਰ-ਕੋਡਰਾਂ" ਨੂੰ ਲੋੜੀਂਦੇ ਫੰਕਸ਼ਨਾਂ ਨੂੰ ਆਪਣੇ ਆਪ ਬਣਾਉਣ ਦੀ ਆਗਿਆ ਦਿੰਦਾ ਹੈ।

ਉਪਰੋਕਤ ਉਦਾਹਰਨ ਵਿੱਚ, ਸਕ੍ਰਿਪਟਿੰਗ ਭਾਸ਼ਾ ਦੀ ਵਰਤੋਂ ਸਿਰਫ਼ ਸ਼ਰਤੀਆ ਸਮੀਕਰਨ ਦਾ ਮੁਲਾਂਕਣ ਕਰਨ ਲਈ ਕੀਤੀ ਜਾਂਦੀ ਹੈ, ਪਰ ਇਹ ਕਿਰਿਆਵਾਂ ਲਈ ਵੀ ਵਰਤੀ ਜਾ ਸਕਦੀ ਹੈ। ਉਦਾਹਰਨ ਲਈ, ਡੇਟਾ ਮੂਵ ਪੈਡਲ ਰਾਈਟ ਇੱਕ ਸਕ੍ਰਿਪਟ ਸਟੇਟਮੈਂਟ ਬਣ ਸਕਦਾ ਹੈ (ball.position.x += 10)। ਤਾਂ ਕਿ ਕਿਰਿਆ ਨੂੰ ਸਕ੍ਰਿਪਟ ਵਿੱਚ ਵੀ ਪਰਿਭਾਸ਼ਿਤ ਕੀਤਾ ਗਿਆ ਹੈ, ਬਿਨਾਂ ਪੈਡਲ ਨੂੰ ਸੱਜੇ ਪਾਸੇ ਮੂਵ ਕਰਨ ਦੀ ਜ਼ਰੂਰਤ ਦੇ.

ਤੁਸੀਂ ਹੋਰ ਵੀ ਅੱਗੇ ਜਾ ਸਕਦੇ ਹੋ ਅਤੇ ਇੱਕ ਸਕ੍ਰਿਪਟਿੰਗ ਭਾਸ਼ਾ ਵਿੱਚ ਪੂਰੇ ਫੈਸਲੇ ਦੇ ਰੁੱਖ ਨੂੰ ਲਿਖ ਸਕਦੇ ਹੋ। ਇਹ ਹਾਰਡਕੋਡਡ ਕੰਡੀਸ਼ਨਲ ਸਟੇਟਮੈਂਟਾਂ ਦੇ ਰੂਪ ਵਿੱਚ ਕੋਡ ਹੋਵੇਗਾ, ਪਰ ਉਹ ਬਾਹਰੀ ਸਕ੍ਰਿਪਟ ਫਾਈਲਾਂ ਵਿੱਚ ਸਥਿਤ ਹੋਣਗੇ, ਯਾਨੀ ਉਹਨਾਂ ਨੂੰ ਪੂਰੇ ਪ੍ਰੋਗਰਾਮ ਨੂੰ ਮੁੜ ਕੰਪਾਇਲ ਕੀਤੇ ਬਿਨਾਂ ਬਦਲਿਆ ਜਾ ਸਕਦਾ ਹੈ। ਤੁਸੀਂ ਅਕਸਰ ਵੱਖ-ਵੱਖ AI ਪ੍ਰਤੀਕ੍ਰਿਆਵਾਂ ਦੀ ਤੇਜ਼ੀ ਨਾਲ ਜਾਂਚ ਕਰਨ ਲਈ ਗੇਮਪਲੇ ਦੇ ਦੌਰਾਨ ਸਕ੍ਰਿਪਟ ਫਾਈਲ ਨੂੰ ਸੰਪਾਦਿਤ ਕਰ ਸਕਦੇ ਹੋ।

ਘਟਨਾ ਪ੍ਰਤੀਕਿਰਿਆ

ਉਪਰੋਕਤ ਉਦਾਹਰਣਾਂ ਪੋਂਗ ਲਈ ਸੰਪੂਰਨ ਹਨ. ਉਹ ਲਗਾਤਾਰ ਸੰਵੇਦਨਾ/ਸੋਚ/ਐਕਟ ਚੱਕਰ ਚਲਾਉਂਦੇ ਹਨ ਅਤੇ ਸੰਸਾਰ ਦੀ ਨਵੀਨਤਮ ਸਥਿਤੀ ਦੇ ਆਧਾਰ 'ਤੇ ਕੰਮ ਕਰਦੇ ਹਨ। ਪਰ ਵਧੇਰੇ ਗੁੰਝਲਦਾਰ ਖੇਡਾਂ ਵਿੱਚ ਤੁਹਾਨੂੰ ਵਿਅਕਤੀਗਤ ਘਟਨਾਵਾਂ 'ਤੇ ਪ੍ਰਤੀਕਿਰਿਆ ਕਰਨ ਦੀ ਜ਼ਰੂਰਤ ਹੁੰਦੀ ਹੈ, ਅਤੇ ਇੱਕ ਵਾਰ ਵਿੱਚ ਹਰ ਚੀਜ਼ ਦਾ ਮੁਲਾਂਕਣ ਨਹੀਂ ਕਰਨਾ ਚਾਹੀਦਾ ਹੈ। ਇਸ ਮਾਮਲੇ ਵਿੱਚ ਪੋਂਗ ਪਹਿਲਾਂ ਹੀ ਇੱਕ ਬੁਰੀ ਉਦਾਹਰਣ ਹੈ. ਚਲੋ ਇੱਕ ਹੋਰ ਚੁਣੀਏ।

ਇੱਕ ਨਿਸ਼ਾਨੇਬਾਜ਼ ਦੀ ਕਲਪਨਾ ਕਰੋ ਜਿੱਥੇ ਦੁਸ਼ਮਣ ਉਦੋਂ ਤੱਕ ਗਤੀਸ਼ੀਲ ਹੁੰਦੇ ਹਨ ਜਦੋਂ ਤੱਕ ਉਹ ਖਿਡਾਰੀ ਦਾ ਪਤਾ ਨਹੀਂ ਲਗਾਉਂਦੇ, ਜਿਸ ਤੋਂ ਬਾਅਦ ਉਹ ਆਪਣੇ "ਵਿਸ਼ੇਸ਼ਤਾ" ਦੇ ਅਧਾਰ ਤੇ ਕੰਮ ਕਰਦੇ ਹਨ: ਕੋਈ "ਕਾਹਲੀ" ਕਰਨ ਲਈ ਦੌੜੇਗਾ, ਕੋਈ ਦੂਰੋਂ ਹਮਲਾ ਕਰੇਗਾ। ਇਹ ਅਜੇ ਵੀ ਇੱਕ ਬੁਨਿਆਦੀ ਪ੍ਰਤੀਕਿਰਿਆਸ਼ੀਲ ਪ੍ਰਣਾਲੀ ਹੈ - "ਜੇਕਰ ਕਿਸੇ ਖਿਡਾਰੀ ਨੂੰ ਦੇਖਿਆ ਜਾਂਦਾ ਹੈ, ਤਾਂ ਕੁਝ ਕਰੋ" - ਪਰ ਇਸਨੂੰ ਤਰਕਪੂਰਣ ਤੌਰ 'ਤੇ ਪਲੇਅਰ ਸੀਨ ਇਵੈਂਟ ਅਤੇ ਇੱਕ ਪ੍ਰਤੀਕ੍ਰਿਆ ਵਿੱਚ ਵੰਡਿਆ ਜਾ ਸਕਦਾ ਹੈ (ਇੱਕ ਜਵਾਬ ਚੁਣੋ ਅਤੇ ਇਸਨੂੰ ਲਾਗੂ ਕਰੋ)।

ਇਹ ਸਾਨੂੰ ਸੰਵੇਦਨਾ/ਸੋਚ/ਐਕਟ ਚੱਕਰ ਵਿੱਚ ਵਾਪਸ ਲਿਆਉਂਦਾ ਹੈ। ਅਸੀਂ ਇੱਕ ਸੈਂਸ ਭਾਗ ਕੋਡ ਕਰ ਸਕਦੇ ਹਾਂ ਜੋ ਹਰ ਫਰੇਮ ਦੀ ਜਾਂਚ ਕਰੇਗਾ ਕਿ ਕੀ AI ਖਿਡਾਰੀ ਨੂੰ ਦੇਖਦਾ ਹੈ। ਜੇ ਨਹੀਂ, ਤਾਂ ਕੁਝ ਨਹੀਂ ਹੁੰਦਾ, ਪਰ ਜੇ ਇਹ ਦੇਖਦਾ ਹੈ, ਤਾਂ ਪਲੇਅਰ ਸੀਨ ਈਵੈਂਟ ਬਣ ਜਾਂਦਾ ਹੈ. ਕੋਡ ਵਿੱਚ ਇੱਕ ਵੱਖਰਾ ਸੈਕਸ਼ਨ ਹੋਵੇਗਾ ਜੋ ਕਹਿੰਦਾ ਹੈ ਕਿ "ਜਦੋਂ ਪਲੇਅਰ ਸੀਨ ਇਵੈਂਟ ਵਾਪਰਦਾ ਹੈ, ਤਾਂ ਕਰੋ" ਤੁਹਾਨੂੰ ਸੋਚੋ ਅਤੇ ਐਕਟ ਦੇ ਹਿੱਸਿਆਂ ਨੂੰ ਸੰਬੋਧਿਤ ਕਰਨ ਲਈ ਲੋੜੀਂਦਾ ਜਵਾਬ ਕਿੱਥੇ ਹੈ। ਇਸ ਤਰ੍ਹਾਂ, ਤੁਸੀਂ ਪਲੇਅਰ ਸੀਨ ਇਵੈਂਟ ਲਈ ਪ੍ਰਤੀਕ੍ਰਿਆਵਾਂ ਨੂੰ ਸੈੱਟ ਕਰੋਗੇ: "ਕਾਹਲੀ" ਅੱਖਰ ਲਈ - ਚਾਰਜ ਐਂਡ ਅਟੈਕ, ਅਤੇ ਸਨਾਈਪਰ ਲਈ - ਹਾਈਡ ਐਂਡ ਸਨਾਈਪ। ਇਹਨਾਂ ਸਬੰਧਾਂ ਨੂੰ ਰੀਕੰਪਾਈਲ ਕੀਤੇ ਬਿਨਾਂ ਤੁਰੰਤ ਸੰਪਾਦਨ ਲਈ ਡੇਟਾ ਫਾਈਲ ਵਿੱਚ ਬਣਾਇਆ ਜਾ ਸਕਦਾ ਹੈ। ਸਕ੍ਰਿਪਟਿੰਗ ਭਾਸ਼ਾ ਇੱਥੇ ਵੀ ਵਰਤੀ ਜਾ ਸਕਦੀ ਹੈ।

ਮੁਸ਼ਕਲ ਫੈਸਲੇ ਲੈਣਾ

ਹਾਲਾਂਕਿ ਸਧਾਰਨ ਪ੍ਰਤੀਕ੍ਰਿਆ ਪ੍ਰਣਾਲੀਆਂ ਬਹੁਤ ਸ਼ਕਤੀਸ਼ਾਲੀ ਹਨ, ਪਰ ਬਹੁਤ ਸਾਰੀਆਂ ਸਥਿਤੀਆਂ ਹਨ ਜਿੱਥੇ ਉਹ ਕਾਫ਼ੀ ਨਹੀਂ ਹਨ. ਕਦੇ-ਕਦਾਈਂ ਤੁਹਾਨੂੰ ਏਜੰਟ ਵਰਤਮਾਨ ਵਿੱਚ ਕੀ ਕਰ ਰਿਹਾ ਹੈ ਦੇ ਅਧਾਰ ਤੇ ਵੱਖੋ-ਵੱਖਰੇ ਫੈਸਲੇ ਲੈਣ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ, ਪਰ ਇਸਦੀ ਇੱਕ ਸ਼ਰਤ ਵਜੋਂ ਕਲਪਨਾ ਕਰਨਾ ਔਖਾ ਹੈ। ਕਈ ਵਾਰ ਕਿਸੇ ਫੈਸਲੇ ਦੇ ਰੁੱਖ ਜਾਂ ਸਕ੍ਰਿਪਟ ਵਿੱਚ ਉਹਨਾਂ ਨੂੰ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਢੰਗ ਨਾਲ ਪੇਸ਼ ਕਰਨ ਲਈ ਬਹੁਤ ਸਾਰੀਆਂ ਸ਼ਰਤਾਂ ਹੁੰਦੀਆਂ ਹਨ। ਕਈ ਵਾਰ ਤੁਹਾਨੂੰ ਅਗਲਾ ਕਦਮ ਚੁੱਕਣ ਤੋਂ ਪਹਿਲਾਂ ਸਥਿਤੀ ਦਾ ਮੁਲਾਂਕਣ ਕਰਨ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ ਕਿ ਸਥਿਤੀ ਕਿਵੇਂ ਬਦਲੇਗੀ। ਇਹਨਾਂ ਸਮੱਸਿਆਵਾਂ ਨੂੰ ਹੱਲ ਕਰਨ ਲਈ ਹੋਰ ਵਧੀਆ ਪਹੁੰਚ ਦੀ ਲੋੜ ਹੈ।

ਫਿਨਾਈਟ ਸਟੇਟ ਮਸ਼ੀਨ

ਫਿਨਾਈਟ ਸਟੇਟ ਮਸ਼ੀਨ ਜਾਂ FSM (ਸੀਮਤ ਰਾਜ ਮਸ਼ੀਨ) ਇਹ ਕਹਿਣ ਦਾ ਇੱਕ ਤਰੀਕਾ ਹੈ ਕਿ ਸਾਡਾ ਏਜੰਟ ਵਰਤਮਾਨ ਵਿੱਚ ਕਈ ਸੰਭਾਵਿਤ ਰਾਜਾਂ ਵਿੱਚੋਂ ਇੱਕ ਵਿੱਚ ਹੈ, ਅਤੇ ਇਹ ਇੱਕ ਰਾਜ ਤੋਂ ਦੂਜੇ ਰਾਜ ਵਿੱਚ ਤਬਦੀਲ ਹੋ ਸਕਦਾ ਹੈ। ਅਜਿਹੇ ਰਾਜਾਂ ਦੀ ਇੱਕ ਨਿਸ਼ਚਿਤ ਸੰਖਿਆ ਹੈ - ਇਸ ਲਈ ਇਹ ਨਾਮ ਹੈ। ਜ਼ਿੰਦਗੀ ਦੀ ਸਭ ਤੋਂ ਵਧੀਆ ਉਦਾਹਰਣ ਟ੍ਰੈਫਿਕ ਲਾਈਟ ਹੈ. ਵੱਖ-ਵੱਖ ਥਾਵਾਂ 'ਤੇ ਲਾਈਟਾਂ ਦੇ ਵੱਖੋ-ਵੱਖਰੇ ਕ੍ਰਮ ਹਨ, ਪਰ ਸਿਧਾਂਤ ਇੱਕੋ ਹੈ - ਹਰੇਕ ਰਾਜ ਕਿਸੇ ਚੀਜ਼ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ (ਰੁਕੋ, ਤੁਰਨਾ, ਆਦਿ)। ਇੱਕ ਟ੍ਰੈਫਿਕ ਲਾਈਟ ਕਿਸੇ ਵੀ ਸਮੇਂ ਸਿਰਫ ਇੱਕ ਅਵਸਥਾ ਵਿੱਚ ਹੁੰਦੀ ਹੈ, ਅਤੇ ਸਧਾਰਨ ਨਿਯਮਾਂ ਦੇ ਅਧਾਰ ਤੇ ਇੱਕ ਤੋਂ ਦੂਜੇ ਵਿੱਚ ਜਾਂਦੀ ਹੈ।

ਇਹ ਗੇਮਾਂ ਵਿੱਚ ਐਨਪੀਸੀ ਦੇ ਨਾਲ ਇੱਕ ਸਮਾਨ ਕਹਾਣੀ ਹੈ. ਉਦਾਹਰਨ ਲਈ, ਆਓ ਹੇਠਾਂ ਦਿੱਤੇ ਰਾਜਾਂ ਦੇ ਨਾਲ ਇੱਕ ਗਾਰਡ ਲੈਂਦੇ ਹਾਂ:

• ਗਸ਼ਤ.
• ਹਮਲਾ ਕਰ ਰਿਹਾ ਹੈ।
• ਭੱਜਣਾ।

ਅਤੇ ਇਸਦੀ ਸਥਿਤੀ ਨੂੰ ਬਦਲਣ ਲਈ ਇਹ ਸ਼ਰਤਾਂ:

• ਜੇਕਰ ਗਾਰਡ ਦੁਸ਼ਮਣ ਨੂੰ ਦੇਖਦਾ ਹੈ, ਤਾਂ ਉਹ ਹਮਲਾ ਕਰਦਾ ਹੈ।
• ਜੇ ਗਾਰਡ ਹਮਲਾ ਕਰਦਾ ਹੈ ਪਰ ਦੁਸ਼ਮਣ ਨੂੰ ਨਹੀਂ ਦੇਖਦਾ, ਤਾਂ ਉਹ ਗਸ਼ਤ 'ਤੇ ਵਾਪਸ ਆ ਜਾਂਦਾ ਹੈ।
• ਜੇ ਕੋਈ ਗਾਰਡ ਹਮਲਾ ਕਰਦਾ ਹੈ ਪਰ ਬੁਰੀ ਤਰ੍ਹਾਂ ਜ਼ਖਮੀ ਹੋ ਜਾਂਦਾ ਹੈ, ਤਾਂ ਉਹ ਭੱਜ ਜਾਂਦਾ ਹੈ।

ਤੁਸੀਂ ਗਾਰਡੀਅਨ ਸਟੇਟ ਵੇਰੀਏਬਲ ਅਤੇ ਵੱਖ-ਵੱਖ ਜਾਂਚਾਂ ਦੇ ਨਾਲ if-ਸਟੇਟਮੈਂਟ ਵੀ ਲਿਖ ਸਕਦੇ ਹੋ: ਕੀ ਨੇੜੇ ਕੋਈ ਦੁਸ਼ਮਣ ਹੈ, NPC ਦਾ ਸਿਹਤ ਪੱਧਰ ਕੀ ਹੈ, ਆਦਿ। ਆਓ ਕੁਝ ਹੋਰ ਰਾਜਾਂ ਨੂੰ ਜੋੜੀਏ:

• ਵਿਹਲਾ – ਗਸ਼ਤ ਦੇ ਵਿਚਕਾਰ।
• ਖੋਜ ਕਰਨਾ - ਜਦੋਂ ਦੇਖਿਆ ਗਿਆ ਦੁਸ਼ਮਣ ਗਾਇਬ ਹੋ ਗਿਆ ਹੈ.
• ਮਦਦ ਲੱਭਣਾ - ਜਦੋਂ ਕੋਈ ਦੁਸ਼ਮਣ ਦੇਖਿਆ ਜਾਂਦਾ ਹੈ, ਪਰ ਇਕੱਲੇ ਲੜਨ ਲਈ ਬਹੁਤ ਮਜ਼ਬੂਤ ​​ਹੁੰਦਾ ਹੈ।

ਉਹਨਾਂ ਵਿੱਚੋਂ ਹਰੇਕ ਲਈ ਚੋਣ ਸੀਮਤ ਹੈ - ਉਦਾਹਰਨ ਲਈ, ਗਾਰਡ ਇੱਕ ਲੁਕੇ ਹੋਏ ਦੁਸ਼ਮਣ ਦੀ ਭਾਲ ਵਿੱਚ ਨਹੀਂ ਜਾਵੇਗਾ ਜੇਕਰ ਉਸਦੀ ਸਿਹਤ ਘੱਟ ਹੈ.

ਆਖਰਕਾਰ "ਜੇ ਤਾਂ " ਦੀ ਵੱਡੀ ਸੂਚੀ ਬਹੁਤ ਜ਼ਿਆਦਾ ਬੇਲੋੜੀ ਬਣ ਸਕਦੀ ਹੈ, ਇਸਲਈ ਸਾਨੂੰ ਇੱਕ ਵਿਧੀ ਨੂੰ ਰਸਮੀ ਬਣਾਉਣ ਦੀ ਜ਼ਰੂਰਤ ਹੈ ਜੋ ਸਾਨੂੰ ਰਾਜਾਂ ਅਤੇ ਰਾਜਾਂ ਵਿਚਕਾਰ ਤਬਦੀਲੀਆਂ ਨੂੰ ਧਿਆਨ ਵਿੱਚ ਰੱਖਣ ਦੀ ਇਜਾਜ਼ਤ ਦਿੰਦਾ ਹੈ। ਅਜਿਹਾ ਕਰਨ ਲਈ, ਅਸੀਂ ਸਾਰੇ ਰਾਜਾਂ ਨੂੰ ਧਿਆਨ ਵਿੱਚ ਰੱਖਦੇ ਹਾਂ, ਅਤੇ ਹਰੇਕ ਰਾਜ ਦੇ ਅਧੀਨ ਅਸੀਂ ਉਹਨਾਂ ਲਈ ਲੋੜੀਂਦੀਆਂ ਸ਼ਰਤਾਂ ਦੇ ਨਾਲ, ਦੂਜੇ ਰਾਜਾਂ ਵਿੱਚ ਹੋਣ ਵਾਲੀਆਂ ਸਾਰੀਆਂ ਤਬਦੀਲੀਆਂ ਨੂੰ ਇੱਕ ਸੂਚੀ ਵਿੱਚ ਲਿਖਦੇ ਹਾਂ।

ਇਹ ਇੱਕ ਰਾਜ ਪਰਿਵਰਤਨ ਸਾਰਣੀ ਹੈ - FSM ਨੂੰ ਦਰਸਾਉਣ ਦਾ ਇੱਕ ਵਿਆਪਕ ਤਰੀਕਾ। ਆਉ ਇੱਕ ਚਿੱਤਰ ਖਿੱਚੀਏ ਅਤੇ NPC ਵਿਵਹਾਰ ਕਿਵੇਂ ਬਦਲਦਾ ਹੈ ਇਸਦੀ ਪੂਰੀ ਸੰਖੇਪ ਜਾਣਕਾਰੀ ਪ੍ਰਾਪਤ ਕਰੀਏ।

ਚਿੱਤਰ ਮੌਜੂਦਾ ਸਥਿਤੀ ਦੇ ਅਧਾਰ 'ਤੇ ਇਸ ਏਜੰਟ ਲਈ ਫੈਸਲੇ ਲੈਣ ਦੇ ਤੱਤ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ। ਇਸ ਤੋਂ ਇਲਾਵਾ, ਹਰੇਕ ਤੀਰ ਰਾਜਾਂ ਵਿਚਕਾਰ ਇੱਕ ਤਬਦੀਲੀ ਦਿਖਾਉਂਦਾ ਹੈ ਜੇਕਰ ਇਸਦੇ ਅੱਗੇ ਦੀ ਸਥਿਤੀ ਸਹੀ ਹੈ।

ਹਰੇਕ ਅੱਪਡੇਟ ਜੋ ਅਸੀਂ ਏਜੰਟ ਦੀ ਮੌਜੂਦਾ ਸਥਿਤੀ ਦੀ ਜਾਂਚ ਕਰਦੇ ਹਾਂ, ਪਰਿਵਰਤਨਾਂ ਦੀ ਸੂਚੀ ਨੂੰ ਦੇਖਦੇ ਹਾਂ, ਅਤੇ ਜੇਕਰ ਤਬਦੀਲੀ ਲਈ ਸ਼ਰਤਾਂ ਪੂਰੀਆਂ ਹੁੰਦੀਆਂ ਹਨ, ਤਾਂ ਇਹ ਨਵੀਂ ਸਥਿਤੀ ਨੂੰ ਸਵੀਕਾਰ ਕਰਦਾ ਹੈ। ਉਦਾਹਰਨ ਲਈ, ਹਰੇਕ ਫਰੇਮ ਜਾਂਚ ਕਰਦਾ ਹੈ ਕਿ ਕੀ 10-ਸਕਿੰਟ ਦੇ ਟਾਈਮਰ ਦੀ ਮਿਆਦ ਪੁੱਗ ਗਈ ਹੈ, ਅਤੇ ਜੇਕਰ ਅਜਿਹਾ ਹੈ, ਤਾਂ ਗਾਰਡ ਆਈਡਲਿੰਗ ਸਟੇਟ ਤੋਂ ਪੈਟਰੋਲਿੰਗ ਤੱਕ ਜਾਂਦਾ ਹੈ। ਇਸੇ ਤਰ੍ਹਾਂ, ਹਮਲਾਵਰ ਰਾਜ ਏਜੰਟ ਦੀ ਸਿਹਤ ਦੀ ਜਾਂਚ ਕਰਦਾ ਹੈ - ਜੇ ਇਹ ਘੱਟ ਹੈ, ਤਾਂ ਇਹ ਭੱਜਣ ਵਾਲੀ ਅਵਸਥਾ ਵਿੱਚ ਚਲਾ ਜਾਂਦਾ ਹੈ.

ਇਹ ਰਾਜਾਂ ਵਿਚਕਾਰ ਤਬਦੀਲੀਆਂ ਨੂੰ ਸੰਭਾਲ ਰਿਹਾ ਹੈ, ਪਰ ਰਾਜਾਂ ਨਾਲ ਜੁੜੇ ਵਿਵਹਾਰ ਬਾਰੇ ਕੀ? ਕਿਸੇ ਖਾਸ ਰਾਜ ਲਈ ਅਸਲ ਵਿਵਹਾਰ ਨੂੰ ਲਾਗੂ ਕਰਨ ਦੇ ਸੰਦਰਭ ਵਿੱਚ, ਇੱਥੇ ਆਮ ਤੌਰ 'ਤੇ ਦੋ ਕਿਸਮ ਦੇ "ਹੁੱਕ" ਹੁੰਦੇ ਹਨ ਜਿੱਥੇ ਅਸੀਂ FSM ਨੂੰ ਕਾਰਵਾਈਆਂ ਨਿਰਧਾਰਤ ਕਰਦੇ ਹਾਂ:

• ਉਹ ਕਾਰਵਾਈਆਂ ਜੋ ਅਸੀਂ ਸਮੇਂ-ਸਮੇਂ 'ਤੇ ਮੌਜੂਦਾ ਸਥਿਤੀ ਲਈ ਕਰਦੇ ਹਾਂ।
• ਉਹ ਕਾਰਵਾਈਆਂ ਜੋ ਅਸੀਂ ਇੱਕ ਰਾਜ ਤੋਂ ਦੂਜੇ ਰਾਜ ਵਿੱਚ ਤਬਦੀਲੀ ਕਰਨ ਵੇਲੇ ਕਰਦੇ ਹਾਂ।

ਪਹਿਲੀ ਕਿਸਮ ਲਈ ਉਦਾਹਰਨ. ਗਸ਼ਤ ਰਾਜ ਏਜੰਟ ਨੂੰ ਗਸ਼ਤ ਦੇ ਰਸਤੇ ਦੇ ਨਾਲ-ਨਾਲ ਹਰੇਕ ਫਰੇਮ ਵਿੱਚ ਭੇਜੇਗਾ। ਹਮਲਾ ਕਰਨ ਵਾਲੀ ਸਥਿਤੀ ਹਰੇਕ ਫ੍ਰੇਮ 'ਤੇ ਹਮਲਾ ਸ਼ੁਰੂ ਕਰਨ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰੇਗੀ ਜਾਂ ਅਜਿਹੀ ਸਥਿਤੀ ਵਿੱਚ ਤਬਦੀਲੀ ਕਰੇਗੀ ਜਿੱਥੇ ਇਹ ਸੰਭਵ ਹੈ।

ਦੂਜੀ ਕਿਸਮ ਲਈ, ਪਰਿਵਰਤਨ 'ਤੇ ਵਿਚਾਰ ਕਰੋ "ਜੇ ਦੁਸ਼ਮਣ ਦਿਖਾਈ ਦੇ ਰਿਹਾ ਹੈ ਅਤੇ ਦੁਸ਼ਮਣ ਬਹੁਤ ਮਜ਼ਬੂਤ ​​ਹੈ, ਤਾਂ ਖੋਜ ਸਹਾਇਤਾ ਸਥਿਤੀ 'ਤੇ ਜਾਓ। ਏਜੰਟ ਨੂੰ ਇਹ ਚੁਣਨਾ ਚਾਹੀਦਾ ਹੈ ਕਿ ਮਦਦ ਲਈ ਕਿੱਥੇ ਜਾਣਾ ਹੈ ਅਤੇ ਇਸ ਜਾਣਕਾਰੀ ਨੂੰ ਸਟੋਰ ਕਰਨਾ ਚਾਹੀਦਾ ਹੈ ਤਾਂ ਕਿ ਖੋਜ ਸਹਾਇਤਾ ਰਾਜ ਨੂੰ ਪਤਾ ਹੋਵੇ ਕਿ ਕਿੱਥੇ ਜਾਣਾ ਹੈ। ਇੱਕ ਵਾਰ ਮਦਦ ਮਿਲ ਜਾਣ ਤੋਂ ਬਾਅਦ, ਏਜੰਟ ਹਮਲਾ ਕਰਨ ਵਾਲੀ ਸਥਿਤੀ ਵਿੱਚ ਵਾਪਸ ਚਲਾ ਜਾਂਦਾ ਹੈ। ਇਸ ਮੌਕੇ 'ਤੇ, ਉਹ ਸਹਿਯੋਗੀ ਨੂੰ ਧਮਕੀ ਬਾਰੇ ਦੱਸਣਾ ਚਾਹੇਗਾ, ਇਸ ਲਈ NotifyFriendOfThreat ਕਾਰਵਾਈ ਹੋ ਸਕਦੀ ਹੈ।

ਇੱਕ ਵਾਰ ਫਿਰ, ਅਸੀਂ ਇਸ ਸਿਸਟਮ ਨੂੰ ਸੈਂਸ/ਥਿੰਕ/ਐਕਟ ਚੱਕਰ ਦੇ ਲੈਂਸ ਦੁਆਰਾ ਦੇਖ ਸਕਦੇ ਹਾਂ। ਸੰਵੇਦਨਾ ਪਰਿਵਰਤਨ ਤਰਕ ਦੁਆਰਾ ਵਰਤੇ ਗਏ ਡੇਟਾ ਵਿੱਚ ਸਮੋਈ ਹੋਈ ਹੈ। ਸੋਚੋ - ਹਰ ਰਾਜ ਵਿੱਚ ਪਰਿਵਰਤਨ ਉਪਲਬਧ ਹਨ। ਅਤੇ ਐਕਟ ਕਿਸੇ ਰਾਜ ਦੇ ਅੰਦਰ ਜਾਂ ਰਾਜਾਂ ਦੇ ਵਿਚਕਾਰ ਤਬਦੀਲੀ ਸਮੇਂ ਸਮੇਂ-ਸਮੇਂ 'ਤੇ ਕੀਤੀਆਂ ਕਾਰਵਾਈਆਂ ਦੁਆਰਾ ਕੀਤਾ ਜਾਂਦਾ ਹੈ।

ਕਈ ਵਾਰ ਲਗਾਤਾਰ ਪੋਲਿੰਗ ਤਬਦੀਲੀ ਦੀਆਂ ਸਥਿਤੀਆਂ ਮਹਿੰਗੀਆਂ ਹੋ ਸਕਦੀਆਂ ਹਨ। ਉਦਾਹਰਨ ਲਈ, ਜੇਕਰ ਹਰੇਕ ਏਜੰਟ ਇਹ ਨਿਰਧਾਰਤ ਕਰਨ ਲਈ ਹਰ ਫ੍ਰੇਮ ਵਿੱਚ ਗੁੰਝਲਦਾਰ ਗਣਨਾ ਕਰਦਾ ਹੈ ਕਿ ਕੀ ਇਹ ਦੁਸ਼ਮਣਾਂ ਨੂੰ ਦੇਖ ਸਕਦਾ ਹੈ ਅਤੇ ਇਹ ਸਮਝ ਸਕਦਾ ਹੈ ਕਿ ਕੀ ਇਹ ਪੈਟਰੋਲਿੰਗ ਤੋਂ ਅਟੈਕਿੰਗ ਸਟੇਟ ਵਿੱਚ ਤਬਦੀਲ ਹੋ ਸਕਦਾ ਹੈ, ਤਾਂ ਇਸ ਵਿੱਚ CPU ਸਮਾਂ ਲੱਗੇਗਾ।

ਸੰਸਾਰ ਦੀ ਸਥਿਤੀ ਵਿੱਚ ਮਹੱਤਵਪੂਰਨ ਤਬਦੀਲੀਆਂ ਨੂੰ ਉਹਨਾਂ ਘਟਨਾਵਾਂ ਦੇ ਰੂਪ ਵਿੱਚ ਸੋਚਿਆ ਜਾ ਸਕਦਾ ਹੈ ਜੋ ਵਾਪਰਨ ਦੇ ਨਾਲ ਹੀ ਸੰਸਾਧਿਤ ਕੀਤੀਆਂ ਜਾਣਗੀਆਂ। FSM ਪਰਿਵਰਤਨ ਸਥਿਤੀ ਦੀ ਜਾਂਚ ਕਰਨ ਦੀ ਬਜਾਏ "ਕੀ ਮੇਰਾ ਏਜੰਟ ਪਲੇਅਰ ਨੂੰ ਦੇਖ ਸਕਦਾ ਹੈ?" ਹਰ ਫਰੇਮ, ਇੱਕ ਵੱਖਰੇ ਸਿਸਟਮ ਨੂੰ ਘੱਟ ਵਾਰ ਜਾਂਚ ਕਰਨ ਲਈ ਕੌਂਫਿਗਰ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ (ਜਿਵੇਂ ਕਿ ਪ੍ਰਤੀ ਸਕਿੰਟ 5 ਵਾਰ)। ਅਤੇ ਨਤੀਜਾ ਚੈੱਕ ਪਾਸ ਹੋਣ 'ਤੇ ਪਲੇਅਰ ਸੀਨ ਜਾਰੀ ਕਰਨਾ ਹੈ।

ਇਹ FSM ਨੂੰ ਪਾਸ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਜਿਸ ਨੂੰ ਹੁਣ ਪਲੇਅਰ ਸੀਨ ਇਵੈਂਟ ਪ੍ਰਾਪਤ ਕੀਤੀ ਸ਼ਰਤ 'ਤੇ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ ਅਤੇ ਉਸ ਅਨੁਸਾਰ ਜਵਾਬ ਦੇਣਾ ਚਾਹੀਦਾ ਹੈ। ਜਵਾਬ ਦੇਣ ਤੋਂ ਪਹਿਲਾਂ ਲਗਭਗ ਅਦ੍ਰਿਸ਼ਟ ਦੇਰੀ ਨੂੰ ਛੱਡ ਕੇ ਨਤੀਜਾ ਵਿਵਹਾਰ ਇੱਕੋ ਜਿਹਾ ਹੈ। ਪਰ ਸੈਂਸ ਭਾਗ ਨੂੰ ਪ੍ਰੋਗਰਾਮ ਦੇ ਇੱਕ ਵੱਖਰੇ ਹਿੱਸੇ ਵਿੱਚ ਵੱਖ ਕਰਨ ਦੇ ਨਤੀਜੇ ਵਜੋਂ ਪ੍ਰਦਰਸ਼ਨ ਵਿੱਚ ਸੁਧਾਰ ਹੋਇਆ ਹੈ।

ਲੜੀਵਾਰ ਸੀਮਿਤ ਰਾਜ ਮਸ਼ੀਨ

ਹਾਲਾਂਕਿ, ਵੱਡੇ FSMs ਨਾਲ ਕੰਮ ਕਰਨਾ ਹਮੇਸ਼ਾ ਸੁਵਿਧਾਜਨਕ ਨਹੀਂ ਹੁੰਦਾ ਹੈ। ਜੇਕਰ ਅਸੀਂ ਹਮਲੇ ਦੀ ਸਥਿਤੀ ਨੂੰ MeleeAttacking ਅਤੇ RangedAttacking ਨੂੰ ਵੱਖ ਕਰਨ ਲਈ ਵਿਸਤਾਰ ਕਰਨਾ ਚਾਹੁੰਦੇ ਹਾਂ, ਤਾਂ ਸਾਨੂੰ ਹੋਰ ਸਾਰੇ ਰਾਜਾਂ ਤੋਂ ਤਬਦੀਲੀਆਂ ਨੂੰ ਬਦਲਣਾ ਹੋਵੇਗਾ ਜੋ ਹਮਲਾ ਕਰਨ ਵਾਲੀ ਸਥਿਤੀ (ਮੌਜੂਦਾ ਅਤੇ ਭਵਿੱਖ) ਵੱਲ ਲੈ ਜਾਂਦੇ ਹਨ।

ਤੁਸੀਂ ਸ਼ਾਇਦ ਦੇਖਿਆ ਹੈ ਕਿ ਸਾਡੇ ਉਦਾਹਰਣ ਵਿੱਚ ਬਹੁਤ ਸਾਰੇ ਡੁਪਲੀਕੇਟ ਪਰਿਵਰਤਨ ਹਨ। ਆਈਡਲਿੰਗ ਸਟੇਟ ਵਿੱਚ ਜ਼ਿਆਦਾਤਰ ਪਰਿਵਰਤਨ ਪੈਟਰੋਲਿੰਗ ਸਟੇਟ ਵਿੱਚ ਤਬਦੀਲੀਆਂ ਦੇ ਸਮਾਨ ਹਨ। ਆਪਣੇ ਆਪ ਨੂੰ ਦੁਹਰਾਉਣਾ ਚੰਗਾ ਨਹੀਂ ਹੋਵੇਗਾ, ਖਾਸ ਕਰਕੇ ਜੇ ਅਸੀਂ ਹੋਰ ਸਮਾਨ ਰਾਜਾਂ ਨੂੰ ਜੋੜਦੇ ਹਾਂ। ਇਹ "ਗੈਰ-ਲੜਾਈ" ਦੇ ਆਮ ਲੇਬਲ ਦੇ ਅਧੀਨ ਸਮੂਹ ਨਿਸ਼ਕਿਰਿਆ ਅਤੇ ਗਸ਼ਤ ਨੂੰ ਸਮਝਦਾ ਹੈ, ਜਿੱਥੇ ਲੜਾਈ ਰਾਜਾਂ ਵਿੱਚ ਤਬਦੀਲੀਆਂ ਦਾ ਸਿਰਫ ਇੱਕ ਸਾਂਝਾ ਸਮੂਹ ਹੁੰਦਾ ਹੈ। ਜੇ ਅਸੀਂ ਇਸ ਲੇਬਲ ਨੂੰ ਇੱਕ ਰਾਜ ਦੇ ਰੂਪ ਵਿੱਚ ਸੋਚਦੇ ਹਾਂ, ਤਾਂ ਆਈਡਲਿੰਗ ਅਤੇ ਪੈਟਰੋਲਿੰਗ ਸਬਸਟੇਟ ਬਣ ਜਾਂਦੇ ਹਨ। ਇੱਕ ਨਵੇਂ ਗੈਰ-ਲੜਾਈ ਸਬਸਟੇਟ ਲਈ ਇੱਕ ਵੱਖਰੀ ਪਰਿਵਰਤਨ ਸਾਰਣੀ ਦੀ ਵਰਤੋਂ ਕਰਨ ਦਾ ਇੱਕ ਉਦਾਹਰਨ:

ਮੁੱਖ ਰਾਜ:


ਲੜਾਈ ਦੀ ਸਥਿਤੀ ਤੋਂ ਬਾਹਰ:


ਅਤੇ ਚਿੱਤਰ ਰੂਪ ਵਿੱਚ:

ਇਹ ਉਹੀ ਸਿਸਟਮ ਹੈ, ਪਰ ਇੱਕ ਨਵੀਂ ਗੈਰ-ਲੜਾਈ ਸਥਿਤੀ ਦੇ ਨਾਲ ਜਿਸ ਵਿੱਚ ਆਈਡਲਿੰਗ ਅਤੇ ਪੈਟਰੋਲਿੰਗ ਸ਼ਾਮਲ ਹੈ। ਹਰ ਇੱਕ ਰਾਜ ਵਿੱਚ ਸਬਸਟੇਟਾਂ ਦੇ ਨਾਲ ਇੱਕ FSM ਹੁੰਦਾ ਹੈ (ਅਤੇ ਇਹ ਸਬਸਟੇਟ, ਬਦਲੇ ਵਿੱਚ, ਉਹਨਾਂ ਦੇ ਆਪਣੇ FSM - ਅਤੇ ਇਸ ਤਰ੍ਹਾਂ ਜਿੰਨਾ ਚਿਰ ਤੁਹਾਨੂੰ ਲੋੜ ਹੁੰਦੀ ਹੈ), ਸਾਨੂੰ ਇੱਕ ਲੜੀਵਾਰ ਫਿਨਾਈਟ ਸਟੇਟ ਮਸ਼ੀਨ ਜਾਂ HFSM (ਹਾਇਰਾਰਕੀਕਲ ਫਿਨਾਈਟ ਸਟੇਟ ਮਸ਼ੀਨ) ਮਿਲਦੀ ਹੈ। ਗੈਰ-ਲੜਾਈ ਸਥਿਤੀ ਨੂੰ ਸਮੂਹ ਬਣਾ ਕੇ, ਅਸੀਂ ਬੇਲੋੜੇ ਤਬਦੀਲੀਆਂ ਦਾ ਇੱਕ ਸਮੂਹ ਕੱਟ ਦਿੱਤਾ ਹੈ। ਅਸੀਂ ਸਾਂਝੇ ਪਰਿਵਰਤਨ ਵਾਲੇ ਕਿਸੇ ਵੀ ਨਵੇਂ ਰਾਜ ਲਈ ਅਜਿਹਾ ਕਰ ਸਕਦੇ ਹਾਂ। ਉਦਾਹਰਨ ਲਈ, ਜੇਕਰ ਭਵਿੱਖ ਵਿੱਚ ਅਸੀਂ ਅਟੈਕਿੰਗ ਸਟੇਟ ਨੂੰ MeleeAttacking ਅਤੇ MissileAttacking ਰਾਜਾਂ ਵਿੱਚ ਫੈਲਾਉਂਦੇ ਹਾਂ, ਤਾਂ ਉਹ ਸਬਸਟੇਟ ਹੋਣਗੇ ਜੋ ਦੁਸ਼ਮਣ ਦੀ ਦੂਰੀ ਅਤੇ ਬਾਰੂਦ ਦੀ ਉਪਲਬਧਤਾ ਦੇ ਅਧਾਰ 'ਤੇ ਇੱਕ ਦੂਜੇ ਦੇ ਵਿਚਕਾਰ ਤਬਦੀਲੀ ਕਰਦੇ ਹਨ। ਨਤੀਜੇ ਵਜੋਂ, ਗੁੰਝਲਦਾਰ ਵਿਵਹਾਰ ਅਤੇ ਉਪ-ਵਿਹਾਰਾਂ ਨੂੰ ਘੱਟੋ-ਘੱਟ ਡੁਪਲੀਕੇਟ ਪਰਿਵਰਤਨ ਨਾਲ ਦਰਸਾਇਆ ਜਾ ਸਕਦਾ ਹੈ।

ਵਿਹਾਰ ਦਾ ਰੁੱਖ

HFSM ਦੇ ਨਾਲ, ਵਿਹਾਰਾਂ ਦੇ ਗੁੰਝਲਦਾਰ ਸੰਜੋਗ ਇੱਕ ਸਧਾਰਨ ਤਰੀਕੇ ਨਾਲ ਬਣਾਏ ਜਾਂਦੇ ਹਨ। ਹਾਲਾਂਕਿ, ਇੱਕ ਮਾਮੂਲੀ ਮੁਸ਼ਕਲ ਹੈ ਕਿ ਪਰਿਵਰਤਨ ਨਿਯਮਾਂ ਦੇ ਰੂਪ ਵਿੱਚ ਫੈਸਲਾ ਲੈਣਾ ਮੌਜੂਦਾ ਸਥਿਤੀ ਨਾਲ ਨੇੜਿਓਂ ਜੁੜਿਆ ਹੋਇਆ ਹੈ। ਅਤੇ ਬਹੁਤ ਸਾਰੀਆਂ ਖੇਡਾਂ ਵਿੱਚ ਇਹ ਬਿਲਕੁਲ ਉਹੀ ਹੈ ਜਿਸਦੀ ਲੋੜ ਹੈ। ਅਤੇ ਰਾਜ ਲੜੀ ਦੀ ਸਾਵਧਾਨੀ ਨਾਲ ਵਰਤੋਂ ਪਰਿਵਰਤਨ ਦੁਹਰਾਓ ਦੀ ਗਿਣਤੀ ਨੂੰ ਘਟਾ ਸਕਦੀ ਹੈ। ਪਰ ਕਈ ਵਾਰ ਤੁਹਾਨੂੰ ਨਿਯਮਾਂ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ ਜੋ ਕੰਮ ਕਰਦੇ ਹਨ ਭਾਵੇਂ ਤੁਸੀਂ ਕਿਸੇ ਵੀ ਰਾਜ ਵਿੱਚ ਹੋ, ਜਾਂ ਜੋ ਲਗਭਗ ਕਿਸੇ ਵੀ ਰਾਜ ਵਿੱਚ ਲਾਗੂ ਹੁੰਦੇ ਹਨ। ਉਦਾਹਰਨ ਲਈ, ਜੇਕਰ ਕਿਸੇ ਏਜੰਟ ਦੀ ਸਿਹਤ 25% ਤੱਕ ਘੱਟ ਜਾਂਦੀ ਹੈ, ਤਾਂ ਤੁਸੀਂ ਚਾਹੋਗੇ ਕਿ ਉਹ ਭੱਜ ਜਾਵੇ ਭਾਵੇਂ ਉਹ ਲੜਾਈ ਵਿੱਚ ਸੀ, ਵਿਹਲਾ ਜਾਂ ਗੱਲ ਕਰ ਰਿਹਾ ਸੀ - ਤੁਹਾਨੂੰ ਇਹ ਸਥਿਤੀ ਹਰੇਕ ਰਾਜ ਵਿੱਚ ਸ਼ਾਮਲ ਕਰਨੀ ਪਵੇਗੀ। ਅਤੇ ਜੇਕਰ ਤੁਹਾਡਾ ਡਿਜ਼ਾਈਨਰ ਬਾਅਦ ਵਿੱਚ ਘੱਟ ਸਿਹਤ ਥ੍ਰੈਸ਼ਹੋਲਡ ਨੂੰ 25% ਤੋਂ 10% ਤੱਕ ਬਦਲਣਾ ਚਾਹੁੰਦਾ ਹੈ, ਤਾਂ ਇਹ ਦੁਬਾਰਾ ਕਰਨਾ ਹੋਵੇਗਾ।

ਆਦਰਸ਼ਕ ਤੌਰ 'ਤੇ, ਇਸ ਸਥਿਤੀ ਲਈ ਇੱਕ ਪ੍ਰਣਾਲੀ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ ਜਿਸ ਵਿੱਚ "ਕਿਹੜੇ ਰਾਜ ਵਿੱਚ ਹੋਣਾ ਹੈ" ਬਾਰੇ ਫੈਸਲੇ ਖੁਦ ਰਾਜਾਂ ਤੋਂ ਬਾਹਰ ਹੁੰਦੇ ਹਨ, ਸਿਰਫ ਇੱਕ ਜਗ੍ਹਾ ਵਿੱਚ ਤਬਦੀਲੀਆਂ ਕਰਨ ਅਤੇ ਤਬਦੀਲੀ ਦੀਆਂ ਸਥਿਤੀਆਂ ਨੂੰ ਛੂਹਣ ਲਈ ਨਹੀਂ। ਵਿਹਾਰ ਦੇ ਰੁੱਖ ਇੱਥੇ ਦਿਖਾਈ ਦਿੰਦੇ ਹਨ.

ਉਹਨਾਂ ਨੂੰ ਲਾਗੂ ਕਰਨ ਦੇ ਕਈ ਤਰੀਕੇ ਹਨ, ਪਰ ਸਾਰ ਸਭ ਲਈ ਲਗਭਗ ਇੱਕੋ ਜਿਹਾ ਹੈ ਅਤੇ ਇੱਕ ਫੈਸਲੇ ਦੇ ਰੁੱਖ ਦੇ ਸਮਾਨ ਹੈ: ਐਲਗੋਰਿਦਮ ਇੱਕ "ਰੂਟ" ਨੋਡ ਨਾਲ ਸ਼ੁਰੂ ਹੁੰਦਾ ਹੈ, ਅਤੇ ਰੁੱਖ ਵਿੱਚ ਨੋਡ ਹੁੰਦੇ ਹਨ ਜੋ ਕਿ ਫੈਸਲਿਆਂ ਜਾਂ ਕਾਰਵਾਈਆਂ ਨੂੰ ਦਰਸਾਉਂਦੇ ਹਨ। ਹਾਲਾਂਕਿ ਕੁਝ ਮੁੱਖ ਅੰਤਰ ਹਨ:

• ਨੋਡ ਹੁਣ ਤਿੰਨਾਂ ਵਿੱਚੋਂ ਇੱਕ ਮੁੱਲ ਵਾਪਸ ਕਰਦੇ ਹਨ: ਸਫਲ (ਜੇਕਰ ਕੰਮ ਪੂਰਾ ਹੋ ਗਿਆ ਹੈ), ਅਸਫਲ (ਜੇਕਰ ਇਹ ਸ਼ੁਰੂ ਨਹੀਂ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ), ਜਾਂ ਚੱਲ ਰਿਹਾ ਹੈ (ਜੇਕਰ ਇਹ ਅਜੇ ਵੀ ਚੱਲ ਰਿਹਾ ਹੈ ਅਤੇ ਕੋਈ ਅੰਤਮ ਨਤੀਜਾ ਨਹੀਂ ਹੈ)।
• ਦੋ ਵਿਕਲਪਾਂ ਵਿਚਕਾਰ ਚੋਣ ਕਰਨ ਲਈ ਕੋਈ ਹੋਰ ਫੈਸਲਾ ਨੋਡ ਨਹੀਂ ਹਨ। ਇਸ ਦੀ ਬਜਾਏ, ਉਹ ਡੈਕੋਰੇਟਰ ਨੋਡ ਹਨ, ਜਿਨ੍ਹਾਂ ਵਿੱਚ ਇੱਕ ਚਾਈਲਡ ਨੋਡ ਹੈ। ਜੇ ਉਹ ਸਫਲ ਹੋ ਜਾਂਦੇ ਹਨ, ਤਾਂ ਉਹ ਆਪਣੇ ਇਕਲੌਤੇ ਚਾਈਲਡ ਨੋਡ ਨੂੰ ਚਲਾਉਂਦੇ ਹਨ।
• ਨੋਡ ਜੋ ਕਾਰਵਾਈਆਂ ਕਰਦੇ ਹਨ, ਕੀਤੀਆਂ ਜਾ ਰਹੀਆਂ ਕਾਰਵਾਈਆਂ ਨੂੰ ਦਰਸਾਉਣ ਲਈ ਇੱਕ ਚੱਲਦਾ ਮੁੱਲ ਵਾਪਸ ਕਰਦੇ ਹਨ।

ਨੋਡਾਂ ਦੇ ਇਸ ਛੋਟੇ ਸਮੂਹ ਨੂੰ ਵੱਡੀ ਗਿਣਤੀ ਵਿੱਚ ਗੁੰਝਲਦਾਰ ਵਿਵਹਾਰ ਬਣਾਉਣ ਲਈ ਜੋੜਿਆ ਜਾ ਸਕਦਾ ਹੈ। ਚਲੋ ਪਿਛਲੀ ਉਦਾਹਰਨ ਤੋਂ HFSM ਗਾਰਡ ਨੂੰ ਇੱਕ ਵਿਵਹਾਰ ਦੇ ਰੁੱਖ ਦੇ ਰੂਪ ਵਿੱਚ ਕਲਪਨਾ ਕਰੀਏ:

ਇਸ ਢਾਂਚੇ ਦੇ ਨਾਲ ਆਈਡਲਿੰਗ/ਪੈਟ੍ਰੋਲਿੰਗ ਰਾਜਾਂ ਤੋਂ ਹਮਲਾਵਰ ਜਾਂ ਕਿਸੇ ਹੋਰ ਰਾਜ ਵਿੱਚ ਕੋਈ ਸਪੱਸ਼ਟ ਤਬਦੀਲੀ ਨਹੀਂ ਹੋਣੀ ਚਾਹੀਦੀ। ਜੇਕਰ ਕੋਈ ਦੁਸ਼ਮਣ ਦਿਖਾਈ ਦੇ ਰਿਹਾ ਹੈ ਅਤੇ ਪਾਤਰ ਦੀ ਸਿਹਤ ਘੱਟ ਹੈ, ਤਾਂ ਐਗਜ਼ੀਕਿਊਸ਼ਨ ਫਲੀਇੰਗ ਨੋਡ 'ਤੇ ਬੰਦ ਹੋ ਜਾਵੇਗਾ, ਇਸ ਗੱਲ ਦੀ ਪਰਵਾਹ ਕੀਤੇ ਬਿਨਾਂ ਕਿ ਇਹ ਪਹਿਲਾਂ ਕਿਸ ਨੋਡ 'ਤੇ ਚੱਲ ਰਿਹਾ ਸੀ - ਪੈਟਰੋਲਿੰਗ, ਆਈਡਲਿੰਗ, ਅਟੈਕਿੰਗ, ਜਾਂ ਕੋਈ ਹੋਰ।

ਵਿਵਹਾਰ ਦੇ ਰੁੱਖ ਗੁੰਝਲਦਾਰ ਹਨ - ਉਹਨਾਂ ਨੂੰ ਲਿਖਣ ਦੇ ਬਹੁਤ ਸਾਰੇ ਤਰੀਕੇ ਹਨ, ਅਤੇ ਸਜਾਵਟ ਕਰਨ ਵਾਲੇ ਅਤੇ ਮਿਸ਼ਰਿਤ ਨੋਡਾਂ ਦਾ ਸਹੀ ਸੁਮੇਲ ਲੱਭਣਾ ਚੁਣੌਤੀਪੂਰਨ ਹੋ ਸਕਦਾ ਹੈ। ਇਸ ਬਾਰੇ ਵੀ ਸਵਾਲ ਹਨ ਕਿ ਦਰਖਤ ਦੀ ਕਿੰਨੀ ਵਾਰ ਜਾਂਚ ਕਰਨੀ ਹੈ - ਕੀ ਅਸੀਂ ਇਸਦੇ ਹਰ ਹਿੱਸੇ ਵਿੱਚੋਂ ਲੰਘਣਾ ਚਾਹੁੰਦੇ ਹਾਂ ਜਾਂ ਕੇਵਲ ਉਦੋਂ ਹੀ ਜਦੋਂ ਇੱਕ ਸਥਿਤੀ ਬਦਲ ਗਈ ਹੈ? ਅਸੀਂ ਨੋਡਸ ਨਾਲ ਸੰਬੰਧਿਤ ਸਥਿਤੀ ਨੂੰ ਕਿਵੇਂ ਸਟੋਰ ਕਰਦੇ ਹਾਂ - ਸਾਨੂੰ ਕਿਵੇਂ ਪਤਾ ਲੱਗੇਗਾ ਕਿ ਅਸੀਂ 10 ਸਕਿੰਟਾਂ ਲਈ ਸੁਸਤ ਰਹੇ ਹਾਂ, ਜਾਂ ਅਸੀਂ ਕਿਵੇਂ ਜਾਣਦੇ ਹਾਂ ਕਿ ਪਿਛਲੀ ਵਾਰ ਕਿਹੜੇ ਨੋਡਸ ਚੱਲ ਰਹੇ ਸਨ ਤਾਂ ਜੋ ਅਸੀਂ ਕ੍ਰਮ ਨੂੰ ਸਹੀ ਢੰਗ ਨਾਲ ਪ੍ਰਕਿਰਿਆ ਕਰ ਸਕੀਏ?

ਇਹੀ ਕਾਰਨ ਹੈ ਕਿ ਬਹੁਤ ਸਾਰੇ ਅਮਲ ਹਨ. ਉਦਾਹਰਨ ਲਈ, ਕੁਝ ਪ੍ਰਣਾਲੀਆਂ ਨੇ ਇਨਲਾਈਨ ਡੈਕੋਰੇਟਰਾਂ ਨਾਲ ਡੈਕੋਰੇਟਰ ਨੋਡਾਂ ਨੂੰ ਬਦਲ ਦਿੱਤਾ ਹੈ। ਉਹ ਰੁੱਖ ਦਾ ਮੁੜ ਮੁਲਾਂਕਣ ਕਰਦੇ ਹਨ ਜਦੋਂ ਸਜਾਵਟ ਦੀਆਂ ਸਥਿਤੀਆਂ ਬਦਲਦੀਆਂ ਹਨ, ਨੋਡਾਂ ਵਿੱਚ ਸ਼ਾਮਲ ਹੋਣ ਵਿੱਚ ਮਦਦ ਕਰਦੀਆਂ ਹਨ, ਅਤੇ ਸਮੇਂ-ਸਮੇਂ 'ਤੇ ਅੱਪਡੇਟ ਪ੍ਰਦਾਨ ਕਰਦੀਆਂ ਹਨ।

ਉਪਯੋਗਤਾ-ਅਧਾਰਿਤ ਸਿਸਟਮ

ਕੁਝ ਗੇਮਾਂ ਵਿੱਚ ਬਹੁਤ ਸਾਰੇ ਵੱਖ-ਵੱਖ ਮਕੈਨਿਕ ਹੁੰਦੇ ਹਨ। ਇਹ ਫਾਇਦੇਮੰਦ ਹੈ ਕਿ ਉਹ ਸਧਾਰਨ ਅਤੇ ਆਮ ਪਰਿਵਰਤਨ ਨਿਯਮਾਂ ਦੇ ਸਾਰੇ ਲਾਭ ਪ੍ਰਾਪਤ ਕਰਦੇ ਹਨ, ਪਰ ਜ਼ਰੂਰੀ ਨਹੀਂ ਕਿ ਵਿਵਹਾਰ ਦੇ ਇੱਕ ਪੂਰਨ ਰੁੱਖ ਦੇ ਰੂਪ ਵਿੱਚ. ਵਿਕਲਪਾਂ ਦੇ ਸਪਸ਼ਟ ਸਮੂਹ ਜਾਂ ਸੰਭਵ ਕਾਰਵਾਈਆਂ ਦਾ ਇੱਕ ਰੁੱਖ ਹੋਣ ਦੀ ਬਜਾਏ, ਸਾਰੀਆਂ ਕਾਰਵਾਈਆਂ ਦੀ ਜਾਂਚ ਕਰਨਾ ਅਤੇ ਇਸ ਸਮੇਂ ਸਭ ਤੋਂ ਢੁਕਵੇਂ ਇੱਕ ਨੂੰ ਚੁਣਨਾ ਆਸਾਨ ਹੈ।

ਉਪਯੋਗਤਾ-ਅਧਾਰਿਤ ਸਿਸਟਮ ਇਸ ਵਿੱਚ ਮਦਦ ਕਰੇਗਾ। ਇਹ ਇੱਕ ਅਜਿਹੀ ਪ੍ਰਣਾਲੀ ਹੈ ਜਿੱਥੇ ਏਜੰਟ ਦੀਆਂ ਕਈ ਤਰ੍ਹਾਂ ਦੀਆਂ ਕਾਰਵਾਈਆਂ ਹੁੰਦੀਆਂ ਹਨ ਅਤੇ ਹਰੇਕ ਦੀ ਅਨੁਸਾਰੀ ਉਪਯੋਗਤਾ ਦੇ ਆਧਾਰ 'ਤੇ ਇਹ ਚੁਣਦਾ ਹੈ ਕਿ ਕਿਹੜੀਆਂ ਕਾਰਵਾਈਆਂ ਕਰਨੀਆਂ ਹਨ। ਜਿੱਥੇ ਉਪਯੋਗਤਾ ਇਸ ਗੱਲ ਦਾ ਇੱਕ ਮਨਮਾਨੀ ਮਾਪ ਹੈ ਕਿ ਏਜੰਟ ਲਈ ਇਹ ਕਾਰਵਾਈ ਕਰਨਾ ਕਿੰਨਾ ਮਹੱਤਵਪੂਰਨ ਜਾਂ ਫਾਇਦੇਮੰਦ ਹੈ।

ਮੌਜੂਦਾ ਸਥਿਤੀ ਅਤੇ ਵਾਤਾਵਰਣ ਦੇ ਆਧਾਰ 'ਤੇ ਕਿਸੇ ਕਾਰਵਾਈ ਦੀ ਗਣਨਾ ਕੀਤੀ ਉਪਯੋਗਤਾ, ਏਜੰਟ ਕਿਸੇ ਵੀ ਸਮੇਂ ਸਭ ਤੋਂ ਢੁਕਵੀਂ ਦੂਜੀ ਸਥਿਤੀ ਦੀ ਜਾਂਚ ਕਰ ਸਕਦਾ ਹੈ ਅਤੇ ਚੁਣ ਸਕਦਾ ਹੈ। ਇਹ FSM ਦੇ ਸਮਾਨ ਹੈ, ਸਿਵਾਏ ਜਿੱਥੇ ਪਰਿਵਰਤਨ ਮੌਜੂਦਾ ਸਥਿਤੀ ਸਮੇਤ ਹਰੇਕ ਸੰਭਾਵੀ ਸਥਿਤੀ ਲਈ ਅੰਦਾਜ਼ੇ ਦੁਆਰਾ ਨਿਰਧਾਰਤ ਕੀਤੇ ਜਾਂਦੇ ਹਨ। ਕਿਰਪਾ ਕਰਕੇ ਨੋਟ ਕਰੋ ਕਿ ਅਸੀਂ ਅੱਗੇ ਵਧਣ ਲਈ ਸਭ ਤੋਂ ਲਾਭਦਾਇਕ ਕਾਰਵਾਈ ਚੁਣਦੇ ਹਾਂ (ਜਾਂ ਜੇਕਰ ਅਸੀਂ ਇਸਨੂੰ ਪਹਿਲਾਂ ਹੀ ਪੂਰਾ ਕਰ ਲਿਆ ਹੈ ਤਾਂ ਰਹੋ)। ਹੋਰ ਵਿਭਿੰਨਤਾ ਲਈ, ਇਹ ਇੱਕ ਛੋਟੀ ਸੂਚੀ ਵਿੱਚੋਂ ਇੱਕ ਸੰਤੁਲਿਤ ਪਰ ਬੇਤਰਤੀਬ ਚੋਣ ਹੋ ਸਕਦੀ ਹੈ।

ਸਿਸਟਮ ਉਪਯੋਗਤਾ ਮੁੱਲਾਂ ਦੀ ਇੱਕ ਆਪਹੁਦਰੀ ਰੇਂਜ ਨਿਰਧਾਰਤ ਕਰਦਾ ਹੈ-ਉਦਾਹਰਨ ਲਈ, 0 (ਪੂਰੀ ਤਰ੍ਹਾਂ ਅਣਚਾਹੇ) ਤੋਂ 100 (ਪੂਰੀ ਤਰ੍ਹਾਂ ਲੋੜੀਂਦਾ)। ਹਰੇਕ ਕਿਰਿਆ ਵਿੱਚ ਕਈ ਪੈਰਾਮੀਟਰ ਹੁੰਦੇ ਹਨ ਜੋ ਇਸ ਮੁੱਲ ਦੀ ਗਣਨਾ ਨੂੰ ਪ੍ਰਭਾਵਿਤ ਕਰਦੇ ਹਨ। ਸਾਡੇ ਸਰਪ੍ਰਸਤ ਉਦਾਹਰਨ 'ਤੇ ਵਾਪਸ ਜਾਣਾ:

ਕਿਰਿਆਵਾਂ ਵਿਚਕਾਰ ਪਰਿਵਰਤਨ ਅਸਪਸ਼ਟ ਹਨ-ਕੋਈ ਵੀ ਰਾਜ ਕਿਸੇ ਹੋਰ ਦਾ ਅਨੁਸਰਣ ਕਰ ਸਕਦਾ ਹੈ। ਕਿਰਿਆ ਦੀਆਂ ਤਰਜੀਹਾਂ ਵਾਪਸ ਕੀਤੇ ਉਪਯੋਗਤਾ ਮੁੱਲਾਂ ਵਿੱਚ ਮਿਲਦੀਆਂ ਹਨ। ਜੇਕਰ ਕੋਈ ਦੁਸ਼ਮਣ ਦਿਖਾਈ ਦੇ ਰਿਹਾ ਹੈ, ਅਤੇ ਉਹ ਦੁਸ਼ਮਣ ਮਜ਼ਬੂਤ ​​ਹੈ, ਅਤੇ ਚਰਿੱਤਰ ਦੀ ਸਿਹਤ ਘੱਟ ਹੈ, ਤਾਂ Fleeing ਅਤੇ FindingHelp ਦੋਵੇਂ ਉੱਚ ਗੈਰ-ਜ਼ੀਰੋ ਮੁੱਲ ਵਾਪਸ ਕਰਨਗੇ। ਇਸ ਸਥਿਤੀ ਵਿੱਚ, FindingHelp ਹਮੇਸ਼ਾਂ ਉੱਚੀ ਹੋਵੇਗੀ। ਇਸੇ ਤਰ੍ਹਾਂ, ਗੈਰ-ਲੜਾਈ ਗਤੀਵਿਧੀਆਂ ਕਦੇ ਵੀ 50 ਤੋਂ ਵੱਧ ਵਾਪਸ ਨਹੀਂ ਆਉਂਦੀਆਂ, ਇਸਲਈ ਉਹ ਹਮੇਸ਼ਾ ਲੜਾਈਆਂ ਨਾਲੋਂ ਘੱਟ ਹੋਣਗੀਆਂ। ਤੁਹਾਨੂੰ ਕਾਰਵਾਈਆਂ ਬਣਾਉਣ ਅਤੇ ਉਹਨਾਂ ਦੀ ਉਪਯੋਗਤਾ ਦੀ ਗਣਨਾ ਕਰਨ ਵੇਲੇ ਇਸ ਨੂੰ ਧਿਆਨ ਵਿੱਚ ਰੱਖਣ ਦੀ ਲੋੜ ਹੈ।

ਸਾਡੀ ਉਦਾਹਰਨ ਵਿੱਚ, ਕਿਰਿਆਵਾਂ ਜਾਂ ਤਾਂ ਇੱਕ ਸਥਿਰ ਸਥਿਰ ਮੁੱਲ ਜਾਂ ਦੋ ਸਥਿਰ ਮੁੱਲਾਂ ਵਿੱਚੋਂ ਇੱਕ ਵਾਪਸ ਕਰਦੀਆਂ ਹਨ। ਇੱਕ ਵਧੇਰੇ ਯਥਾਰਥਵਾਦੀ ਸਿਸਟਮ ਮੁੱਲਾਂ ਦੀ ਇੱਕ ਨਿਰੰਤਰ ਰੇਂਜ ਤੋਂ ਇੱਕ ਅਨੁਮਾਨ ਵਾਪਸ ਕਰੇਗਾ। ਉਦਾਹਰਨ ਲਈ, ਜੇ ਏਜੰਟ ਦੀ ਸਿਹਤ ਘੱਟ ਹੈ ਤਾਂ ਫਲਾਈਂਗ ਐਕਸ਼ਨ ਉੱਚ ਉਪਯੋਗਤਾ ਮੁੱਲ ਵਾਪਸ ਕਰਦਾ ਹੈ, ਅਤੇ ਜੇਕਰ ਦੁਸ਼ਮਣ ਬਹੁਤ ਮਜ਼ਬੂਤ ​​ਹੈ ਤਾਂ ਹਮਲਾ ਕਰਨ ਵਾਲੀ ਕਾਰਵਾਈ ਹੇਠਲੇ ਉਪਯੋਗਤਾ ਮੁੱਲਾਂ ਨੂੰ ਵਾਪਸ ਕਰਦੀ ਹੈ। ਇਸ ਕਰਕੇ, ਭੱਜਣ ਦੀ ਕਾਰਵਾਈ ਕਿਸੇ ਵੀ ਸਥਿਤੀ ਵਿੱਚ ਹਮਲਾ ਕਰਨ ਨਾਲੋਂ ਪਹਿਲ ਹੁੰਦੀ ਹੈ ਜਿੱਥੇ ਏਜੰਟ ਮਹਿਸੂਸ ਕਰਦਾ ਹੈ ਕਿ ਉਸ ਕੋਲ ਦੁਸ਼ਮਣ ਨੂੰ ਹਰਾਉਣ ਲਈ ਲੋੜੀਂਦੀ ਸਿਹਤ ਨਹੀਂ ਹੈ। ਇਹ ਕਿਸੇ ਵੀ ਗਿਣਤੀ ਦੇ ਮਾਪਦੰਡਾਂ ਦੇ ਆਧਾਰ 'ਤੇ ਕਾਰਵਾਈਆਂ ਨੂੰ ਤਰਜੀਹ ਦੇਣ ਦੀ ਇਜਾਜ਼ਤ ਦਿੰਦਾ ਹੈ, ਇਸ ਪਹੁੰਚ ਨੂੰ ਵਿਵਹਾਰ ਦੇ ਰੁੱਖ ਜਾਂ FSM ਨਾਲੋਂ ਵਧੇਰੇ ਲਚਕਦਾਰ ਅਤੇ ਪਰਿਵਰਤਨਸ਼ੀਲ ਬਣਾਉਂਦਾ ਹੈ।

ਪ੍ਰੋਗਰਾਮ ਦੀ ਗਣਨਾ ਲਈ ਹਰੇਕ ਕਿਰਿਆ ਦੀਆਂ ਕਈ ਸ਼ਰਤਾਂ ਹੁੰਦੀਆਂ ਹਨ। ਉਹਨਾਂ ਨੂੰ ਸਕ੍ਰਿਪਟਿੰਗ ਭਾਸ਼ਾ ਵਿੱਚ ਜਾਂ ਗਣਿਤ ਦੇ ਫਾਰਮੂਲਿਆਂ ਦੀ ਲੜੀ ਦੇ ਰੂਪ ਵਿੱਚ ਲਿਖਿਆ ਜਾ ਸਕਦਾ ਹੈ। ਸਿਮਸ, ਜੋ ਇੱਕ ਅੱਖਰ ਦੀ ਰੋਜ਼ਾਨਾ ਰੁਟੀਨ ਦੀ ਨਕਲ ਕਰਦਾ ਹੈ, ਗਣਨਾ ਦੀ ਇੱਕ ਵਾਧੂ ਪਰਤ ਜੋੜਦਾ ਹੈ - ਏਜੰਟ ਨੂੰ "ਪ੍ਰੇਰਣਾ" ਦੀ ਇੱਕ ਲੜੀ ਪ੍ਰਾਪਤ ਹੁੰਦੀ ਹੈ ਜੋ ਉਪਯੋਗਤਾ ਰੇਟਿੰਗਾਂ ਨੂੰ ਪ੍ਰਭਾਵਤ ਕਰਦੇ ਹਨ। ਜੇਕਰ ਕੋਈ ਪਾਤਰ ਭੁੱਖਾ ਹੈ, ਤਾਂ ਉਹ ਸਮੇਂ ਦੇ ਨਾਲ ਹੋਰ ਵੀ ਭੁੱਖੇ ਹੋ ਜਾਣਗੇ, ਅਤੇ EatFood ਐਕਸ਼ਨ ਦਾ ਉਪਯੋਗਤਾ ਮੁੱਲ ਉਦੋਂ ਤੱਕ ਵਧੇਗਾ ਜਦੋਂ ਤੱਕ ਪਾਤਰ ਇਸਨੂੰ ਨਹੀਂ ਕਰਦਾ, ਭੁੱਖ ਦੇ ਪੱਧਰ ਨੂੰ ਘਟਾਉਂਦਾ ਹੈ ਅਤੇ EatFood ਮੁੱਲ ਨੂੰ ਜ਼ੀਰੋ 'ਤੇ ਵਾਪਸ ਕਰ ਦਿੰਦਾ ਹੈ।

ਇੱਕ ਰੇਟਿੰਗ ਸਿਸਟਮ ਦੇ ਆਧਾਰ 'ਤੇ ਕਾਰਵਾਈਆਂ ਦੀ ਚੋਣ ਕਰਨ ਦਾ ਵਿਚਾਰ ਕਾਫ਼ੀ ਸਰਲ ਹੈ, ਇਸਲਈ ਇੱਕ ਉਪਯੋਗਤਾ-ਅਧਾਰਿਤ ਪ੍ਰਣਾਲੀ ਨੂੰ AI ਫੈਸਲੇ ਲੈਣ ਦੀਆਂ ਪ੍ਰਕਿਰਿਆਵਾਂ ਦੇ ਹਿੱਸੇ ਵਜੋਂ ਵਰਤਿਆ ਜਾ ਸਕਦਾ ਹੈ, ਨਾ ਕਿ ਉਹਨਾਂ ਲਈ ਇੱਕ ਪੂਰਨ ਬਦਲ ਵਜੋਂ. ਫੈਸਲੇ ਦਾ ਰੁੱਖ ਦੋ ਚਾਈਲਡ ਨੋਡਾਂ ਦੀ ਉਪਯੋਗਤਾ ਰੇਟਿੰਗ ਮੰਗ ਸਕਦਾ ਹੈ ਅਤੇ ਉੱਚੇ ਨੂੰ ਚੁਣ ਸਕਦਾ ਹੈ। ਇਸੇ ਤਰ੍ਹਾਂ, ਇੱਕ ਵਿਵਹਾਰ ਦੇ ਰੁੱਖ ਵਿੱਚ ਇਹ ਫੈਸਲਾ ਕਰਨ ਲਈ ਕਿਰਿਆਵਾਂ ਦੀ ਉਪਯੋਗਤਾ ਦਾ ਮੁਲਾਂਕਣ ਕਰਨ ਲਈ ਇੱਕ ਸੰਯੁਕਤ ਉਪਯੋਗਤਾ ਨੋਡ ਹੋ ਸਕਦਾ ਹੈ ਕਿ ਕਿਹੜੇ ਬੱਚੇ ਨੂੰ ਚਲਾਉਣਾ ਹੈ।

ਅੰਦੋਲਨ ਅਤੇ ਨੇਵੀਗੇਸ਼ਨ

ਪਿਛਲੀਆਂ ਉਦਾਹਰਣਾਂ ਵਿੱਚ, ਸਾਡੇ ਕੋਲ ਇੱਕ ਪਲੇਟਫਾਰਮ ਸੀ ਜਿਸਨੂੰ ਅਸੀਂ ਖੱਬੇ ਜਾਂ ਸੱਜੇ ਚਲੇ ਜਾਂਦੇ ਸੀ, ਅਤੇ ਇੱਕ ਗਾਰਡ ਜੋ ਗਸ਼ਤ ਕਰਦਾ ਸੀ ਜਾਂ ਹਮਲਾ ਕਰਦਾ ਸੀ। ਪਰ ਅਸੀਂ ਸਮੇਂ ਦੀ ਇੱਕ ਮਿਆਦ ਦੇ ਨਾਲ ਏਜੰਟ ਅੰਦੋਲਨ ਨੂੰ ਕਿਵੇਂ ਸੰਭਾਲਦੇ ਹਾਂ? ਅਸੀਂ ਗਤੀ ਕਿਵੇਂ ਨਿਰਧਾਰਤ ਕਰਦੇ ਹਾਂ, ਅਸੀਂ ਰੁਕਾਵਟਾਂ ਤੋਂ ਕਿਵੇਂ ਬਚਦੇ ਹਾਂ, ਅਤੇ ਅਸੀਂ ਇੱਕ ਰੂਟ ਦੀ ਯੋਜਨਾ ਕਿਵੇਂ ਬਣਾਉਂਦੇ ਹਾਂ ਜਦੋਂ ਇੱਕ ਮੰਜ਼ਿਲ 'ਤੇ ਪਹੁੰਚਣਾ ਸਿਰਫ਼ ਇੱਕ ਸਿੱਧੀ ਲਾਈਨ ਵਿੱਚ ਜਾਣ ਨਾਲੋਂ ਵਧੇਰੇ ਮੁਸ਼ਕਲ ਹੁੰਦਾ ਹੈ? ਆਓ ਇਸ ਨੂੰ ਦੇਖੀਏ।

ਪ੍ਰਸ਼ਾਸਨ

ਸ਼ੁਰੂਆਤੀ ਪੜਾਅ 'ਤੇ, ਅਸੀਂ ਇਹ ਮੰਨ ਲਵਾਂਗੇ ਕਿ ਹਰੇਕ ਏਜੰਟ ਦਾ ਇੱਕ ਗਤੀ ਮੁੱਲ ਹੁੰਦਾ ਹੈ, ਜਿਸ ਵਿੱਚ ਇਹ ਸ਼ਾਮਲ ਹੁੰਦਾ ਹੈ ਕਿ ਇਹ ਕਿੰਨੀ ਤੇਜ਼ੀ ਨਾਲ ਅੱਗੇ ਵਧ ਰਿਹਾ ਹੈ ਅਤੇ ਕਿਸ ਦਿਸ਼ਾ ਵਿੱਚ ਹੈ। ਇਸਨੂੰ ਮੀਟਰ ਪ੍ਰਤੀ ਸਕਿੰਟ, ਕਿਲੋਮੀਟਰ ਪ੍ਰਤੀ ਘੰਟਾ, ਪਿਕਸਲ ਪ੍ਰਤੀ ਸਕਿੰਟ, ਆਦਿ ਵਿੱਚ ਮਾਪਿਆ ਜਾ ਸਕਦਾ ਹੈ। ਸੈਂਸ/ਥਿੰਕ/ਐਕਟ ਲੂਪ ਨੂੰ ਯਾਦ ਕਰਦੇ ਹੋਏ, ਅਸੀਂ ਕਲਪਨਾ ਕਰ ਸਕਦੇ ਹਾਂ ਕਿ ਥਿੰਕ ਭਾਗ ਇੱਕ ਸਪੀਡ ਚੁਣਦਾ ਹੈ, ਅਤੇ ਐਕਟ ਦਾ ਹਿੱਸਾ ਉਸ ਗਤੀ ਨੂੰ ਏਜੰਟ 'ਤੇ ਲਾਗੂ ਕਰਦਾ ਹੈ। ਆਮ ਤੌਰ 'ਤੇ ਗੇਮਾਂ ਵਿੱਚ ਇੱਕ ਭੌਤਿਕ ਵਿਗਿਆਨ ਪ੍ਰਣਾਲੀ ਹੁੰਦੀ ਹੈ ਜੋ ਤੁਹਾਡੇ ਲਈ ਇਹ ਕੰਮ ਕਰਦੀ ਹੈ, ਹਰੇਕ ਵਸਤੂ ਦੇ ਸਪੀਡ ਮੁੱਲ ਨੂੰ ਸਿੱਖਦੀ ਹੈ ਅਤੇ ਇਸਨੂੰ ਵਿਵਸਥਿਤ ਕਰਦੀ ਹੈ। ਇਸ ਲਈ, ਤੁਸੀਂ ਏਆਈ ਨੂੰ ਇੱਕ ਕੰਮ ਦੇ ਨਾਲ ਛੱਡ ਸਕਦੇ ਹੋ - ਇਹ ਫੈਸਲਾ ਕਰਨ ਲਈ ਕਿ ਏਜੰਟ ਦੀ ਕਿਹੜੀ ਗਤੀ ਹੋਣੀ ਚਾਹੀਦੀ ਹੈ। ਜੇ ਤੁਸੀਂ ਜਾਣਦੇ ਹੋ ਕਿ ਏਜੰਟ ਕਿੱਥੇ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ, ਤਾਂ ਤੁਹਾਨੂੰ ਇਸਨੂੰ ਇੱਕ ਨਿਰਧਾਰਤ ਗਤੀ 'ਤੇ ਸਹੀ ਦਿਸ਼ਾ ਵਿੱਚ ਜਾਣ ਦੀ ਜ਼ਰੂਰਤ ਹੈ. ਇੱਕ ਬਹੁਤ ਹੀ ਮਾਮੂਲੀ ਸਮੀਕਰਨ:

desired_travel = ਮੰਜ਼ਿਲ_ਸਥਿਤੀ – ਏਜੰਟ_ਸਥਿਤੀ

ਇੱਕ 2D ਸੰਸਾਰ ਦੀ ਕਲਪਨਾ ਕਰੋ। ਏਜੰਟ ਬਿੰਦੂ (-2, -2) 'ਤੇ ਹੈ, ਮੰਜ਼ਿਲ ਬਿੰਦੂ (30, 20) 'ਤੇ ਉੱਤਰ-ਪੂਰਬ ਵਿੱਚ ਕਿਤੇ ਹੈ, ਅਤੇ ਏਜੰਟ ਦੇ ਉੱਥੇ ਪਹੁੰਚਣ ਲਈ ਲੋੜੀਂਦਾ ਮਾਰਗ (32, 22) ਹੈ। ਮੰਨ ਲਓ ਕਿ ਇਹਨਾਂ ਪੁਜ਼ੀਸ਼ਨਾਂ ਨੂੰ ਮੀਟਰਾਂ ਵਿੱਚ ਮਾਪਿਆ ਜਾਂਦਾ ਹੈ - ਜੇਕਰ ਅਸੀਂ ਏਜੰਟ ਦੀ ਗਤੀ ਨੂੰ 5 ਮੀਟਰ ਪ੍ਰਤੀ ਸਕਿੰਟ ਵਿੱਚ ਲੈਂਦੇ ਹਾਂ, ਤਾਂ ਅਸੀਂ ਆਪਣੇ ਵਿਸਥਾਪਨ ਵੈਕਟਰ ਨੂੰ ਸਕੇਲ ਕਰਾਂਗੇ ਅਤੇ ਲਗਭਗ (4.12, 2.83) ਦੀ ਗਤੀ ਪ੍ਰਾਪਤ ਕਰਾਂਗੇ। ਇਹਨਾਂ ਮਾਪਦੰਡਾਂ ਦੇ ਨਾਲ, ਏਜੰਟ ਲਗਭਗ 8 ਸਕਿੰਟਾਂ ਵਿੱਚ ਆਪਣੀ ਮੰਜ਼ਿਲ 'ਤੇ ਪਹੁੰਚ ਜਾਵੇਗਾ।

ਤੁਸੀਂ ਕਿਸੇ ਵੀ ਸਮੇਂ ਮੁੱਲਾਂ ਦੀ ਮੁੜ ਗਣਨਾ ਕਰ ਸਕਦੇ ਹੋ। ਜੇਕਰ ਏਜੰਟ ਟੀਚੇ ਦੇ ਅੱਧੇ ਰਸਤੇ 'ਤੇ ਸੀ, ਤਾਂ ਅੰਦੋਲਨ ਅੱਧੀ ਲੰਬਾਈ ਹੋਵੇਗੀ, ਪਰ ਕਿਉਂਕਿ ਏਜੰਟ ਦੀ ਅਧਿਕਤਮ ਗਤੀ 5 m/s ਹੈ (ਅਸੀਂ ਉੱਪਰ ਇਹ ਫੈਸਲਾ ਕੀਤਾ ਹੈ), ਗਤੀ ਉਹੀ ਹੋਵੇਗੀ। ਇਹ ਟੀਚਿਆਂ ਨੂੰ ਮੂਵ ਕਰਨ ਲਈ ਵੀ ਕੰਮ ਕਰਦਾ ਹੈ, ਜਿਸ ਨਾਲ ਏਜੰਟ ਨੂੰ ਉਨ੍ਹਾਂ ਦੇ ਅੱਗੇ ਵਧਣ 'ਤੇ ਛੋਟੇ ਬਦਲਾਅ ਕਰਨ ਦੀ ਇਜਾਜ਼ਤ ਮਿਲਦੀ ਹੈ।

ਪਰ ਅਸੀਂ ਹੋਰ ਪਰਿਵਰਤਨ ਚਾਹੁੰਦੇ ਹਾਂ - ਉਦਾਹਰਨ ਲਈ, ਖੜ੍ਹੇ ਤੋਂ ਦੌੜਨ ਵੱਲ ਜਾਣ ਵਾਲੇ ਅੱਖਰ ਦੀ ਨਕਲ ਕਰਨ ਲਈ ਹੌਲੀ ਹੌਲੀ ਗਤੀ ਵਧਾਓ। ਰੁਕਣ ਤੋਂ ਪਹਿਲਾਂ ਅੰਤ ਵਿੱਚ ਵੀ ਇਹੀ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ। ਇਹਨਾਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਨੂੰ ਸਟੀਅਰਿੰਗ ਵਿਵਹਾਰ ਵਜੋਂ ਜਾਣਿਆ ਜਾਂਦਾ ਹੈ, ਜਿਹਨਾਂ ਵਿੱਚੋਂ ਹਰੇਕ ਦੇ ਖਾਸ ਨਾਮ ਹਨ: ਸੀਕ, ਫਲੀ, ਆਗਮਨ, ਆਦਿ। ਇਹ ਵਿਚਾਰ ਇਹ ਹੈ ਕਿ ਏਜੰਟ ਦੀ ਸਥਿਤੀ ਅਤੇ ਮੌਜੂਦਾ ਗਤੀ ਦੀ ਮੰਜ਼ਿਲ ਨਾਲ ਤੁਲਨਾ ਕਰਨ ਦੇ ਅਧਾਰ ਤੇ, ਪ੍ਰਵੇਗ ਸ਼ਕਤੀਆਂ ਨੂੰ ਏਜੰਟ ਦੀ ਗਤੀ 'ਤੇ ਲਾਗੂ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ। ਟੀਚੇ ਤੱਕ ਜਾਣ ਦੇ ਵੱਖ-ਵੱਖ ਤਰੀਕਿਆਂ ਦੀ ਵਰਤੋਂ ਕਰਨ ਲਈ।

ਹਰੇਕ ਵਿਵਹਾਰ ਦਾ ਇੱਕ ਥੋੜ੍ਹਾ ਵੱਖਰਾ ਉਦੇਸ਼ ਹੁੰਦਾ ਹੈ। ਖੋਜ ਅਤੇ ਆਗਮਨ ਇੱਕ ਏਜੰਟ ਨੂੰ ਮੰਜ਼ਿਲ 'ਤੇ ਲਿਜਾਣ ਦੇ ਤਰੀਕੇ ਹਨ। ਰੁਕਾਵਟ ਤੋਂ ਬਚਣਾ ਅਤੇ ਵੱਖ ਹੋਣਾ ਟੀਚੇ ਦੇ ਰਾਹ ਵਿੱਚ ਰੁਕਾਵਟਾਂ ਤੋਂ ਬਚਣ ਲਈ ਏਜੰਟ ਦੀ ਗਤੀ ਨੂੰ ਅਨੁਕੂਲ ਬਣਾਉਂਦਾ ਹੈ। ਅਲਾਈਨਮੈਂਟ ਅਤੇ ਤਾਲਮੇਲ ਏਜੰਟਾਂ ਨੂੰ ਇਕੱਠੇ ਚਲਦੇ ਰਹਿੰਦੇ ਹਨ। ਸਾਰੇ ਕਾਰਕਾਂ ਨੂੰ ਧਿਆਨ ਵਿੱਚ ਰੱਖਦੇ ਹੋਏ ਇੱਕ ਸਿੰਗਲ ਪਾਥ ਵੈਕਟਰ ਪੈਦਾ ਕਰਨ ਲਈ ਵੱਖ-ਵੱਖ ਸਟੀਅਰਿੰਗ ਵਿਵਹਾਰਾਂ ਦੀ ਕਿਸੇ ਵੀ ਸੰਖਿਆ ਨੂੰ ਜੋੜਿਆ ਜਾ ਸਕਦਾ ਹੈ। ਇੱਕ ਏਜੰਟ ਜੋ ਕੰਧਾਂ ਅਤੇ ਹੋਰ ਏਜੰਟਾਂ ਤੋਂ ਦੂਰ ਰਹਿਣ ਲਈ ਆਗਮਨ, ਵਿਛੋੜੇ ਅਤੇ ਰੁਕਾਵਟ ਤੋਂ ਬਚਣ ਵਾਲੇ ਵਿਵਹਾਰ ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ। ਇਹ ਪਹੁੰਚ ਬੇਲੋੜੇ ਵੇਰਵਿਆਂ ਦੇ ਬਿਨਾਂ ਖੁੱਲੇ ਸਥਾਨਾਂ ਵਿੱਚ ਚੰਗੀ ਤਰ੍ਹਾਂ ਕੰਮ ਕਰਦੀ ਹੈ।

ਵਧੇਰੇ ਮੁਸ਼ਕਲ ਸਥਿਤੀਆਂ ਵਿੱਚ, ਵੱਖੋ-ਵੱਖਰੇ ਵਿਵਹਾਰਾਂ ਨੂੰ ਜੋੜਨਾ ਹੋਰ ਵੀ ਮਾੜਾ ਕੰਮ ਕਰਦਾ ਹੈ - ਉਦਾਹਰਨ ਲਈ, ਇੱਕ ਏਜੰਟ ਆਗਮਨ ਅਤੇ ਰੁਕਾਵਟ ਤੋਂ ਬਚਣ ਦੇ ਵਿਚਕਾਰ ਟਕਰਾਅ ਕਾਰਨ ਕੰਧ ਵਿੱਚ ਫਸ ਸਕਦਾ ਹੈ। ਇਸ ਲਈ, ਤੁਹਾਨੂੰ ਉਹਨਾਂ ਵਿਕਲਪਾਂ 'ਤੇ ਵਿਚਾਰ ਕਰਨ ਦੀ ਜ਼ਰੂਰਤ ਹੈ ਜੋ ਸਿਰਫ਼ ਸਾਰੇ ਮੁੱਲਾਂ ਨੂੰ ਜੋੜਨ ਨਾਲੋਂ ਵਧੇਰੇ ਗੁੰਝਲਦਾਰ ਹਨ। ਤਰੀਕਾ ਇਹ ਹੈ: ਹਰੇਕ ਵਿਵਹਾਰ ਦੇ ਨਤੀਜਿਆਂ ਨੂੰ ਜੋੜਨ ਦੀ ਬਜਾਏ, ਤੁਸੀਂ ਵੱਖ-ਵੱਖ ਦਿਸ਼ਾਵਾਂ ਵਿੱਚ ਅੰਦੋਲਨ 'ਤੇ ਵਿਚਾਰ ਕਰ ਸਕਦੇ ਹੋ ਅਤੇ ਸਭ ਤੋਂ ਵਧੀਆ ਵਿਕਲਪ ਚੁਣ ਸਕਦੇ ਹੋ।

ਹਾਲਾਂਕਿ, ਇੱਕ ਗੁੰਝਲਦਾਰ ਮਾਹੌਲ ਵਿੱਚ ਮਰੇ ਹੋਏ ਸਿਰੇ ਅਤੇ ਵਿਕਲਪਾਂ ਦੇ ਨਾਲ ਕਿ ਕਿਸ ਰਾਹ 'ਤੇ ਜਾਣਾ ਹੈ, ਸਾਨੂੰ ਹੋਰ ਵੀ ਉੱਨਤ ਚੀਜ਼ ਦੀ ਜ਼ਰੂਰਤ ਹੋਏਗੀ।

ਰਸਤਾ ਲੱਭਣਾ

ਸਟੀਅਰਿੰਗ ਵਿਵਹਾਰ ਇੱਕ ਖੁੱਲੇ ਖੇਤਰ (ਫੁੱਟਬਾਲ ਦੇ ਮੈਦਾਨ ਜਾਂ ਅਖਾੜੇ) ਵਿੱਚ ਸਧਾਰਨ ਅੰਦੋਲਨ ਲਈ ਬਹੁਤ ਵਧੀਆ ਹਨ ਜਿੱਥੇ A ਤੋਂ B ਤੱਕ ਪਹੁੰਚਣਾ ਇੱਕ ਸਿੱਧਾ ਰਸਤਾ ਹੈ ਜਿਸ ਵਿੱਚ ਰੁਕਾਵਟਾਂ ਦੇ ਆਲੇ ਦੁਆਲੇ ਸਿਰਫ ਮਾਮੂਲੀ ਚੱਕਰ ਹਨ। ਗੁੰਝਲਦਾਰ ਰੂਟਾਂ ਲਈ, ਸਾਨੂੰ ਪਾਥਫਾਈਡਿੰਗ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ, ਜੋ ਕਿ ਸੰਸਾਰ ਦੀ ਪੜਚੋਲ ਕਰਨ ਅਤੇ ਇਸ ਰਾਹੀਂ ਇੱਕ ਰੂਟ ਬਾਰੇ ਫੈਸਲਾ ਕਰਨ ਦਾ ਇੱਕ ਤਰੀਕਾ ਹੈ।

ਸਭ ਤੋਂ ਸਰਲ ਹੈ ਏਜੰਟ ਦੇ ਅੱਗੇ ਹਰੇਕ ਵਰਗ 'ਤੇ ਇੱਕ ਗਰਿੱਡ ਲਗਾਉਣਾ ਅਤੇ ਮੁਲਾਂਕਣ ਕਰਨਾ ਕਿ ਉਹਨਾਂ ਵਿੱਚੋਂ ਕਿਸ ਨੂੰ ਜਾਣ ਦੀ ਇਜਾਜ਼ਤ ਹੈ। ਜੇਕਰ ਉਹਨਾਂ ਵਿੱਚੋਂ ਇੱਕ ਇੱਕ ਮੰਜ਼ਿਲ ਹੈ, ਤਾਂ ਹਰੇਕ ਵਰਗ ਤੋਂ ਪਿਛਲੇ ਇੱਕ ਤੱਕ ਦੇ ਰਸਤੇ ਦੀ ਪਾਲਣਾ ਕਰੋ ਜਦੋਂ ਤੱਕ ਤੁਸੀਂ ਸ਼ੁਰੂਆਤ ਵਿੱਚ ਨਹੀਂ ਪਹੁੰਚ ਜਾਂਦੇ ਹੋ। ਇਹ ਰਸਤਾ ਹੈ। ਨਹੀਂ ਤਾਂ, ਨੇੜੇ ਦੇ ਹੋਰ ਵਰਗਾਂ ਨਾਲ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਦੁਹਰਾਓ ਜਦੋਂ ਤੱਕ ਤੁਸੀਂ ਆਪਣੀ ਮੰਜ਼ਿਲ ਨਹੀਂ ਲੱਭ ਲੈਂਦੇ ਜਾਂ ਤੁਸੀਂ ਵਰਗਾਂ ਤੋਂ ਬਾਹਰ ਨਹੀਂ ਜਾਂਦੇ (ਭਾਵ ਕੋਈ ਸੰਭਵ ਰਸਤਾ ਨਹੀਂ ਹੈ)। ਇਹ ਉਹ ਹੈ ਜਿਸ ਨੂੰ ਰਸਮੀ ਤੌਰ 'ਤੇ ਬ੍ਰੈੱਡਥ-ਫਸਟ ਸਰਚ ਜਾਂ BFS (ਚੌੜਾਈ-ਪਹਿਲੀ ਖੋਜ ਐਲਗੋਰਿਦਮ) ਵਜੋਂ ਜਾਣਿਆ ਜਾਂਦਾ ਹੈ। ਹਰ ਕਦਮ 'ਤੇ ਉਹ ਸਾਰੀਆਂ ਦਿਸ਼ਾਵਾਂ ਵਿੱਚ ਵੇਖਦਾ ਹੈ (ਇਸ ਲਈ ਚੌੜਾਈ, "ਚੌੜਾਈ")। ਖੋਜ ਸਪੇਸ ਇੱਕ ਵੇਵਫਰੰਟ ਦੀ ਤਰ੍ਹਾਂ ਹੈ ਜੋ ਉਦੋਂ ਤੱਕ ਚਲਦੀ ਹੈ ਜਦੋਂ ਤੱਕ ਇਹ ਲੋੜੀਂਦੇ ਸਥਾਨ 'ਤੇ ਨਹੀਂ ਪਹੁੰਚ ਜਾਂਦੀ - ਖੋਜ ਸਪੇਸ ਹਰ ਪੜਾਅ 'ਤੇ ਫੈਲਦੀ ਹੈ ਜਦੋਂ ਤੱਕ ਅੰਤਮ ਬਿੰਦੂ ਸ਼ਾਮਲ ਨਹੀਂ ਹੁੰਦਾ, ਜਿਸ ਤੋਂ ਬਾਅਦ ਇਸਨੂੰ ਸ਼ੁਰੂ ਵਿੱਚ ਵਾਪਸ ਲੱਭਿਆ ਜਾ ਸਕਦਾ ਹੈ।

ਨਤੀਜੇ ਵਜੋਂ, ਤੁਸੀਂ ਵਰਗਾਂ ਦੀ ਇੱਕ ਸੂਚੀ ਪ੍ਰਾਪਤ ਕਰੋਗੇ ਜਿਸ ਦੇ ਨਾਲ ਲੋੜੀਂਦਾ ਰੂਟ ਕੰਪਾਇਲ ਕੀਤਾ ਗਿਆ ਹੈ. ਇਹ ਮਾਰਗ ਹੈ (ਇਸ ਲਈ, ਪਾਥਫਾਈਡਿੰਗ) - ਉਹਨਾਂ ਸਥਾਨਾਂ ਦੀ ਇੱਕ ਸੂਚੀ ਜਿੱਥੇ ਏਜੰਟ ਮੰਜ਼ਿਲ ਦਾ ਅਨੁਸਰਣ ਕਰਦੇ ਹੋਏ ਜਾਵੇਗਾ।

ਇਹ ਧਿਆਨ ਵਿੱਚ ਰੱਖਦੇ ਹੋਏ ਕਿ ਅਸੀਂ ਸੰਸਾਰ ਵਿੱਚ ਹਰ ਵਰਗ ਦੀ ਸਥਿਤੀ ਨੂੰ ਜਾਣਦੇ ਹਾਂ, ਅਸੀਂ ਮਾਰਗ ਦੇ ਨਾਲ-ਨਾਲ ਜਾਣ ਲਈ ਸਟੀਅਰਿੰਗ ਵਿਵਹਾਰ ਦੀ ਵਰਤੋਂ ਕਰ ਸਕਦੇ ਹਾਂ - ਨੋਡ 1 ਤੋਂ ਨੋਡ 2 ਤੱਕ, ਫਿਰ ਨੋਡ 2 ਤੋਂ ਨੋਡ 3 ਤੱਕ, ਅਤੇ ਹੋਰ ਵੀ। ਸਭ ਤੋਂ ਸਰਲ ਵਿਕਲਪ ਅਗਲੇ ਵਰਗ ਦੇ ਕੇਂਦਰ ਵੱਲ ਜਾਣਾ ਹੈ, ਪਰ ਇੱਕ ਹੋਰ ਵਧੀਆ ਵਿਕਲਪ ਮੌਜੂਦਾ ਵਰਗ ਅਤੇ ਅਗਲੇ ਇੱਕ ਦੇ ਵਿਚਕਾਰ ਕਿਨਾਰੇ ਦੇ ਵਿਚਕਾਰ ਰੁਕਣਾ ਹੈ। ਇਸ ਕਰਕੇ, ਏਜੰਟ ਤਿੱਖੇ ਮੋੜ 'ਤੇ ਕੋਨੇ ਕੱਟਣ ਦੇ ਯੋਗ ਹੋਣਗੇ.

BFS ਐਲਗੋਰਿਦਮ ਦੇ ਵੀ ਨੁਕਸਾਨ ਹਨ - ਇਹ "ਗਲਤ" ਦਿਸ਼ਾ ਵਿੱਚ "ਸਹੀ" ਦਿਸ਼ਾ ਵਿੱਚ ਜਿੰਨੇ ਵਰਗਾਂ ਦੀ ਪੜਚੋਲ ਕਰਦਾ ਹੈ। ਇਹ ਉਹ ਥਾਂ ਹੈ ਜਿੱਥੇ ਇੱਕ ਹੋਰ ਗੁੰਝਲਦਾਰ ਐਲਗੋਰਿਦਮ ਜਿਸਨੂੰ A* (A star) ਕਿਹਾ ਜਾਂਦਾ ਹੈ ਲਾਗੂ ਹੁੰਦਾ ਹੈ। ਇਹ ਉਸੇ ਤਰ੍ਹਾਂ ਕੰਮ ਕਰਦਾ ਹੈ, ਪਰ ਅੰਨ੍ਹੇਵਾਹ ਗੁਆਂਢੀ ਵਰਗ (ਫਿਰ ਗੁਆਂਢੀਆਂ ਦੇ ਗੁਆਂਢੀ, ਫਿਰ ਗੁਆਂਢੀਆਂ ਦੇ ਗੁਆਂਢੀ, ਫਿਰ ਗੁਆਂਢੀਆਂ ਦੇ ਗੁਆਂਢੀ, ਅਤੇ ਹੋਰ) ਦੀ ਜਾਂਚ ਕਰਨ ਦੀ ਬਜਾਏ, ਇਹ ਨੋਡਾਂ ਨੂੰ ਇੱਕ ਸੂਚੀ ਵਿੱਚ ਇਕੱਠਾ ਕਰਦਾ ਹੈ ਅਤੇ ਉਹਨਾਂ ਨੂੰ ਕ੍ਰਮਬੱਧ ਕਰਦਾ ਹੈ ਤਾਂ ਜੋ ਅਗਲੇ ਨੋਡ ਦੀ ਜਾਂਚ ਕੀਤੀ ਜਾ ਸਕੇ। ਇੱਕ ਜੋ ਸਭ ਤੋਂ ਛੋਟੇ ਰਸਤੇ ਵੱਲ ਜਾਂਦਾ ਹੈ। ਨੋਡਾਂ ਨੂੰ ਇੱਕ ਅਨੁਮਾਨ ਦੇ ਅਧਾਰ ਤੇ ਕ੍ਰਮਬੱਧ ਕੀਤਾ ਜਾਂਦਾ ਹੈ ਜੋ ਦੋ ਚੀਜ਼ਾਂ ਨੂੰ ਧਿਆਨ ਵਿੱਚ ਰੱਖਦਾ ਹੈ-ਇੱਛਤ ਵਰਗ ਤੱਕ ਇੱਕ ਕਾਲਪਨਿਕ ਰੂਟ ਦੀ "ਲਾਗਤ" (ਕਿਸੇ ਵੀ ਯਾਤਰਾ ਦੇ ਖਰਚਿਆਂ ਸਮੇਤ) ਅਤੇ ਇੱਕ ਅੰਦਾਜ਼ਾ ਹੈ ਕਿ ਉਹ ਵਰਗ ਮੰਜ਼ਿਲ ਤੋਂ ਕਿੰਨੀ ਦੂਰ ਹੈ (ਵਿੱਚ ਖੋਜ ਦਾ ਪੱਖਪਾਤ ਕਰਨਾ। ਸਹੀ ਦਿਸ਼ਾ)।

ਇਹ ਉਦਾਹਰਨ ਦਿਖਾਉਂਦਾ ਹੈ ਕਿ ਏਜੰਟ ਇੱਕ ਸਮੇਂ ਵਿੱਚ ਇੱਕ ਵਰਗ ਦੀ ਪੜਚੋਲ ਕਰਦਾ ਹੈ, ਹਰ ਵਾਰ ਨਾਲ ਲੱਗਦੇ ਇੱਕ ਵਰਗ ਨੂੰ ਚੁਣਦਾ ਹੈ ਜੋ ਸਭ ਤੋਂ ਵਧੀਆ ਹੈ। ਨਤੀਜਾ ਮਾਰਗ BFS ਵਾਂਗ ਹੀ ਹੈ, ਪਰ ਪ੍ਰਕਿਰਿਆ ਵਿੱਚ ਘੱਟ ਵਰਗਾਂ ਨੂੰ ਵਿਚਾਰਿਆ ਗਿਆ ਸੀ - ਜਿਸਦਾ ਖੇਡ ਪ੍ਰਦਰਸ਼ਨ 'ਤੇ ਵੱਡਾ ਪ੍ਰਭਾਵ ਪੈਂਦਾ ਹੈ।

ਇੱਕ ਗਰਿੱਡ ਬਿਨਾ ਅੰਦੋਲਨ

ਪਰ ਜ਼ਿਆਦਾਤਰ ਗੇਮਾਂ ਗਰਿੱਡ 'ਤੇ ਨਹੀਂ ਰੱਖੀਆਂ ਜਾਂਦੀਆਂ ਹਨ, ਅਤੇ ਯਥਾਰਥਵਾਦ ਦੀ ਬਲੀ ਦਿੱਤੇ ਬਿਨਾਂ ਅਜਿਹਾ ਕਰਨਾ ਅਕਸਰ ਅਸੰਭਵ ਹੁੰਦਾ ਹੈ। ਸਮਝੌਤਿਆਂ ਦੀ ਲੋੜ ਹੈ। ਵਰਗ ਦਾ ਆਕਾਰ ਕੀ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ? ਬਹੁਤ ਵੱਡਾ ਹੈ ਅਤੇ ਉਹ ਛੋਟੇ ਗਲਿਆਰਿਆਂ ਜਾਂ ਮੋੜਾਂ ਨੂੰ ਸਹੀ ਢੰਗ ਨਾਲ ਪ੍ਰਸਤੁਤ ਕਰਨ ਦੇ ਯੋਗ ਨਹੀਂ ਹੋਣਗੇ, ਬਹੁਤ ਛੋਟੇ ਅਤੇ ਖੋਜ ਕਰਨ ਲਈ ਬਹੁਤ ਸਾਰੇ ਵਰਗ ਹੋਣਗੇ, ਜਿਸ ਵਿੱਚ ਅੰਤ ਵਿੱਚ ਬਹੁਤ ਸਮਾਂ ਲੱਗੇਗਾ।

ਸਮਝਣ ਵਾਲੀ ਪਹਿਲੀ ਗੱਲ ਇਹ ਹੈ ਕਿ ਇੱਕ ਜਾਲ ਸਾਨੂੰ ਜੁੜੇ ਹੋਏ ਨੋਡਾਂ ਦਾ ਗ੍ਰਾਫ ਦਿੰਦਾ ਹੈ। A* ਅਤੇ BFS ਐਲਗੋਰਿਦਮ ਅਸਲ ਵਿੱਚ ਗ੍ਰਾਫਾਂ 'ਤੇ ਕੰਮ ਕਰਦੇ ਹਨ ਅਤੇ ਸਾਡੇ ਜਾਲ ਦੀ ਬਿਲਕੁਲ ਵੀ ਪਰਵਾਹ ਨਹੀਂ ਕਰਦੇ ਹਨ। ਅਸੀਂ ਖੇਡ ਜਗਤ ਵਿੱਚ ਕਿਤੇ ਵੀ ਨੋਡ ਪਾ ਸਕਦੇ ਹਾਂ: ਜਦੋਂ ਤੱਕ ਕਿਸੇ ਵੀ ਦੋ ਜੁੜੇ ਹੋਏ ਨੋਡਾਂ ਦੇ ਨਾਲ-ਨਾਲ ਸ਼ੁਰੂਆਤੀ ਅਤੇ ਅੰਤ ਦੇ ਬਿੰਦੂਆਂ ਅਤੇ ਘੱਟੋ-ਘੱਟ ਇੱਕ ਨੋਡ ਦੇ ਵਿਚਕਾਰ ਇੱਕ ਕੁਨੈਕਸ਼ਨ ਹੈ, ਐਲਗੋਰਿਦਮ ਪਹਿਲਾਂ ਵਾਂਗ ਹੀ ਕੰਮ ਕਰੇਗਾ। ਇਸਨੂੰ ਅਕਸਰ ਵੇਅਪੁਆਇੰਟ ਸਿਸਟਮ ਕਿਹਾ ਜਾਂਦਾ ਹੈ, ਕਿਉਂਕਿ ਹਰੇਕ ਨੋਡ ਸੰਸਾਰ ਵਿੱਚ ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਸਥਿਤੀ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ ਜੋ ਕਿ ਕਿਸੇ ਵੀ ਕਾਲਪਨਿਕ ਮਾਰਗ ਦਾ ਹਿੱਸਾ ਹੋ ਸਕਦਾ ਹੈ।

ਉਦਾਹਰਨ 1: ਹਰੇਕ ਵਰਗ ਵਿੱਚ ਇੱਕ ਗੰਢ। ਖੋਜ ਨੋਡ ਤੋਂ ਸ਼ੁਰੂ ਹੁੰਦੀ ਹੈ ਜਿੱਥੇ ਏਜੰਟ ਸਥਿਤ ਹੁੰਦਾ ਹੈ ਅਤੇ ਲੋੜੀਂਦੇ ਵਰਗ ਦੇ ਨੋਡ 'ਤੇ ਖਤਮ ਹੁੰਦਾ ਹੈ।

ਉਦਾਹਰਨ 2: ਨੋਡਾਂ ਦਾ ਇੱਕ ਛੋਟਾ ਸਮੂਹ (ਵੇਅਪੁਆਇੰਟ)। ਖੋਜ ਏਜੰਟ ਦੇ ਵਰਗ ਤੋਂ ਸ਼ੁਰੂ ਹੁੰਦੀ ਹੈ, ਲੋੜੀਂਦੇ ਨੋਡਾਂ ਵਿੱਚੋਂ ਲੰਘਦੀ ਹੈ, ਅਤੇ ਫਿਰ ਮੰਜ਼ਿਲ ਤੱਕ ਜਾਰੀ ਰਹਿੰਦੀ ਹੈ।

ਇਹ ਪੂਰੀ ਤਰ੍ਹਾਂ ਨਾਲ ਲਚਕਦਾਰ ਅਤੇ ਸ਼ਕਤੀਸ਼ਾਲੀ ਸਿਸਟਮ ਹੈ। ਪਰ ਇੱਕ ਵੇਅਪੁਆਇੰਟ ਕਿੱਥੇ ਅਤੇ ਕਿਵੇਂ ਰੱਖਣਾ ਹੈ, ਇਹ ਫੈਸਲਾ ਕਰਨ ਵਿੱਚ ਕੁਝ ਦੇਖਭਾਲ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ, ਨਹੀਂ ਤਾਂ ਏਜੰਟ ਸ਼ਾਇਦ ਨਜ਼ਦੀਕੀ ਬਿੰਦੂ ਨੂੰ ਨਹੀਂ ਦੇਖ ਸਕਣਗੇ ਅਤੇ ਮਾਰਗ ਨੂੰ ਸ਼ੁਰੂ ਕਰਨ ਦੇ ਯੋਗ ਨਹੀਂ ਹੋਣਗੇ। ਇਹ ਸੌਖਾ ਹੋਵੇਗਾ ਜੇਕਰ ਅਸੀਂ ਸੰਸਾਰ ਦੀ ਜਿਓਮੈਟਰੀ ਦੇ ਆਧਾਰ 'ਤੇ ਆਪਣੇ ਆਪ ਹੀ ਵੇ-ਪੁਆਇੰਟਸ ਲਗਾ ਸਕੀਏ।

ਇਹ ਉਹ ਥਾਂ ਹੈ ਜਿੱਥੇ ਨੈਵੀਗੇਸ਼ਨ ਜਾਲ ਜਾਂ ਨਵਮੇਸ਼ (ਨੇਵੀਗੇਸ਼ਨ ਜਾਲ) ਦਿਖਾਈ ਦਿੰਦਾ ਹੈ। ਇਹ ਆਮ ਤੌਰ 'ਤੇ ਤਿਕੋਣਾਂ ਦਾ 2D ਜਾਲ ਹੁੰਦਾ ਹੈ ਜੋ ਸੰਸਾਰ ਦੀ ਜਿਓਮੈਟਰੀ 'ਤੇ ਢੱਕਿਆ ਹੁੰਦਾ ਹੈ - ਜਿੱਥੇ ਵੀ ਏਜੰਟ ਨੂੰ ਚੱਲਣ ਦੀ ਇਜਾਜ਼ਤ ਹੁੰਦੀ ਹੈ। ਜਾਲ ਵਿੱਚ ਹਰੇਕ ਤਿਕੋਣ ਗ੍ਰਾਫ ਵਿੱਚ ਇੱਕ ਨੋਡ ਬਣ ਜਾਂਦਾ ਹੈ, ਅਤੇ ਇਸ ਵਿੱਚ ਤਿੰਨ ਨਾਲ ਲੱਗਦੇ ਤਿਕੋਣ ਹੁੰਦੇ ਹਨ ਜੋ ਗ੍ਰਾਫ ਵਿੱਚ ਨਾਲ ਲੱਗਦੇ ਨੋਡ ਬਣ ਜਾਂਦੇ ਹਨ।

ਇਹ ਤਸਵੀਰ ਯੂਨਿਟੀ ਇੰਜਣ ਤੋਂ ਇੱਕ ਉਦਾਹਰਨ ਹੈ - ਇਸ ਨੇ ਸੰਸਾਰ ਵਿੱਚ ਜਿਓਮੈਟਰੀ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕੀਤਾ ਅਤੇ ਇੱਕ ਨਵਮੇਸ਼ ਬਣਾਇਆ (ਹਲਕੇ ਨੀਲੇ ਵਿੱਚ ਸਕ੍ਰੀਨਸ਼ੌਟ ਵਿੱਚ)। ਨਵਮੇਸ਼ ਵਿੱਚ ਹਰੇਕ ਬਹੁਭੁਜ ਇੱਕ ਅਜਿਹਾ ਖੇਤਰ ਹੁੰਦਾ ਹੈ ਜਿੱਥੇ ਇੱਕ ਏਜੰਟ ਖੜ੍ਹਾ ਹੋ ਸਕਦਾ ਹੈ ਜਾਂ ਇੱਕ ਬਹੁਭੁਜ ਤੋਂ ਦੂਜੇ ਬਹੁਭੁਜ ਵਿੱਚ ਜਾ ਸਕਦਾ ਹੈ। ਇਸ ਉਦਾਹਰਨ ਵਿੱਚ, ਬਹੁਭੁਜ ਉਹਨਾਂ ਫ਼ਰਸ਼ਾਂ ਨਾਲੋਂ ਛੋਟੇ ਹੁੰਦੇ ਹਨ ਜਿਨ੍ਹਾਂ 'ਤੇ ਉਹ ਸਥਿਤ ਹਨ - ਇਹ ਏਜੰਟ ਦੇ ਆਕਾਰ ਨੂੰ ਧਿਆਨ ਵਿੱਚ ਰੱਖਣ ਲਈ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਜੋ ਕਿ ਇਸਦੀ ਨਾਮਾਤਰ ਸਥਿਤੀ ਤੋਂ ਅੱਗੇ ਵਧੇਗਾ।

ਅਸੀਂ ਦੁਬਾਰਾ A* ਐਲਗੋਰਿਦਮ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ, ਇਸ ਜਾਲ ਰਾਹੀਂ ਇੱਕ ਰੂਟ ਦੀ ਖੋਜ ਕਰ ਸਕਦੇ ਹਾਂ। ਇਹ ਸਾਨੂੰ ਸੰਸਾਰ ਵਿੱਚ ਇੱਕ ਲਗਭਗ ਸੰਪੂਰਨ ਰੂਟ ਦੇਵੇਗਾ, ਜੋ ਕਿ ਸਾਰੀ ਜਿਓਮੈਟਰੀ ਨੂੰ ਧਿਆਨ ਵਿੱਚ ਰੱਖਦਾ ਹੈ ਅਤੇ ਬੇਲੋੜੇ ਨੋਡਾਂ ਅਤੇ ਵੇਅਪੁਆਇੰਟ ਬਣਾਉਣ ਦੀ ਲੋੜ ਨਹੀਂ ਹੈ।

ਪਾਥਫਾਈਡਿੰਗ ਇੱਕ ਵਿਸ਼ਾ ਬਹੁਤ ਵਿਆਪਕ ਹੈ ਜਿਸ ਲਈ ਲੇਖ ਦਾ ਇੱਕ ਭਾਗ ਕਾਫ਼ੀ ਨਹੀਂ ਹੈ। ਜੇ ਤੁਸੀਂ ਇਸ ਦਾ ਵਧੇਰੇ ਵਿਸਥਾਰ ਨਾਲ ਅਧਿਐਨ ਕਰਨਾ ਚਾਹੁੰਦੇ ਹੋ, ਤਾਂ ਇਹ ਮਦਦ ਕਰੇਗਾ ਅਮਿਤ ਪਟੇਲ ਦੀ ਵੈੱਬਸਾਈਟ.

ਯੋਜਨਾਬੰਦੀ

ਅਸੀਂ ਪਾਥਫਾਈਡਿੰਗ ਦੇ ਨਾਲ ਸਿੱਖਿਆ ਹੈ ਕਿ ਕਈ ਵਾਰ ਸਿਰਫ ਇੱਕ ਦਿਸ਼ਾ ਚੁਣਨਾ ਅਤੇ ਅੱਗੇ ਵਧਣਾ ਕਾਫ਼ੀ ਨਹੀਂ ਹੁੰਦਾ - ਸਾਨੂੰ ਇੱਕ ਰਸਤਾ ਚੁਣਨਾ ਪੈਂਦਾ ਹੈ ਅਤੇ ਆਪਣੀ ਮਨਚਾਹੀ ਮੰਜ਼ਿਲ 'ਤੇ ਪਹੁੰਚਣ ਲਈ ਕੁਝ ਮੋੜ ਲੈਣਾ ਪੈਂਦਾ ਹੈ। ਅਸੀਂ ਇਸ ਵਿਚਾਰ ਨੂੰ ਆਮ ਕਰ ਸਕਦੇ ਹਾਂ: ਇੱਕ ਟੀਚਾ ਪ੍ਰਾਪਤ ਕਰਨਾ ਸਿਰਫ਼ ਅਗਲਾ ਕਦਮ ਨਹੀਂ ਹੈ, ਪਰ ਇੱਕ ਪੂਰਾ ਕ੍ਰਮ ਹੈ ਜਿੱਥੇ ਕਈ ਵਾਰ ਤੁਹਾਨੂੰ ਇਹ ਪਤਾ ਲਗਾਉਣ ਲਈ ਕਈ ਕਦਮ ਅੱਗੇ ਦੇਖਣ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ ਕਿ ਪਹਿਲਾ ਕੀ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ। ਇਸ ਨੂੰ ਯੋਜਨਾ ਕਿਹਾ ਜਾਂਦਾ ਹੈ। ਪਾਥਫਾਈਂਡਿੰਗ ਨੂੰ ਯੋਜਨਾਬੰਦੀ ਦੇ ਕਈ ਐਕਸਟੈਂਸ਼ਨਾਂ ਵਿੱਚੋਂ ਇੱਕ ਮੰਨਿਆ ਜਾ ਸਕਦਾ ਹੈ। ਸਾਡੇ ਸੰਵੇਦਨਾ/ਸੋਚ/ਐਕਟ ਚੱਕਰ ਦੇ ਸੰਦਰਭ ਵਿੱਚ, ਇਹ ਉਹ ਥਾਂ ਹੈ ਜਿੱਥੇ ਥਿੰਕ ਭਾਗ ਭਵਿੱਖ ਲਈ ਕਈ ਐਕਟ ਭਾਗਾਂ ਦੀ ਯੋਜਨਾ ਬਣਾਉਂਦਾ ਹੈ।

ਆਉ ਬੋਰਡ ਗੇਮ ਮੈਜਿਕ: ਦਿ ਗੈਦਰਿੰਗ ਦੀ ਉਦਾਹਰਨ ਦੇਖੀਏ। ਅਸੀਂ ਆਪਣੇ ਹੱਥਾਂ ਵਿੱਚ ਕਾਰਡਾਂ ਦੇ ਹੇਠਾਂ ਦਿੱਤੇ ਸੈੱਟ ਨਾਲ ਪਹਿਲਾਂ ਜਾਂਦੇ ਹਾਂ:

• ਦਲਦਲ - 1 ਕਾਲਾ ਮਾਨ (ਲੈਂਡ ਕਾਰਡ) ਦਿੰਦਾ ਹੈ।
• ਜੰਗਲ - 1 ਹਰੀ ਮਾਨ (ਲੈਂਡ ਕਾਰਡ) ਦਿੰਦਾ ਹੈ।
• ਭਗੌੜਾ ਵਿਜ਼ਾਰਡ - ਸੰਮਨ ਕਰਨ ਲਈ 1 ਨੀਲੇ ਮਾਨ ਦੀ ਲੋੜ ਹੈ।
• ਐਲਵੀਸ਼ ਰਹੱਸਵਾਦੀ - ਸੰਮਨ ਕਰਨ ਲਈ 1 ਹਰੇ ਮਾਨ ਦੀ ਲੋੜ ਹੈ।

ਅਸੀਂ ਇਸਨੂੰ ਆਸਾਨ ਬਣਾਉਣ ਲਈ ਬਾਕੀ ਤਿੰਨ ਕਾਰਡਾਂ ਨੂੰ ਨਜ਼ਰਅੰਦਾਜ਼ ਕਰਦੇ ਹਾਂ। ਨਿਯਮਾਂ ਦੇ ਅਨੁਸਾਰ, ਇੱਕ ਖਿਡਾਰੀ ਨੂੰ ਪ੍ਰਤੀ ਵਾਰੀ 1 ਲੈਂਡ ਕਾਰਡ ਖੇਡਣ ਦੀ ਇਜਾਜ਼ਤ ਦਿੱਤੀ ਜਾਂਦੀ ਹੈ, ਉਹ ਇਸ ਤੋਂ ਮਾਨਾ ਕੱਢਣ ਲਈ ਇਸ ਕਾਰਡ ਨੂੰ "ਟੈਪ" ਕਰ ਸਕਦਾ ਹੈ, ਅਤੇ ਫਿਰ ਮਾਨ ਦੀ ਮਾਤਰਾ ਦੇ ਅਨੁਸਾਰ ਸਪੈਲ (ਇੱਕ ਪ੍ਰਾਣੀ ਨੂੰ ਬੁਲਾਉਣ ਸਮੇਤ) ਸੁੱਟ ਸਕਦਾ ਹੈ। ਇਸ ਸਥਿਤੀ ਵਿੱਚ, ਮਨੁੱਖੀ ਖਿਡਾਰੀ ਜੰਗਲ ਨੂੰ ਖੇਡਣਾ, 1 ਹਰੇ ਮਾਨ ਨੂੰ ਟੈਪ ਕਰਨਾ, ਅਤੇ ਫਿਰ ਐਲਵਿਸ਼ ਮਿਸਟਿਕ ਨੂੰ ਬੁਲਾਉਣ ਲਈ ਜਾਣਦਾ ਹੈ। ਪਰ ਗੇਮ ਏਆਈ ਇਸ ਦਾ ਪਤਾ ਕਿਵੇਂ ਲਗਾ ਸਕਦੀ ਹੈ?

ਆਸਾਨ ਯੋਜਨਾਬੰਦੀ

ਮਾਮੂਲੀ ਪਹੁੰਚ ਇਹ ਹੈ ਕਿ ਹਰ ਇੱਕ ਕਾਰਵਾਈ ਨੂੰ ਬਦਲੇ ਵਿੱਚ ਅਜ਼ਮਾਇਆ ਜਾਵੇ ਜਦੋਂ ਤੱਕ ਕੋਈ ਢੁਕਵਾਂ ਨਹੀਂ ਬਚਦਾ। ਕਾਰਡਾਂ ਨੂੰ ਦੇਖ ਕੇ, AI ਦੇਖਦਾ ਹੈ ਕਿ ਦਲਦਲ ਕੀ ਖੇਡ ਸਕਦਾ ਹੈ। ਅਤੇ ਉਹ ਇਸ ਨੂੰ ਖੇਡਦਾ ਹੈ. ਕੀ ਇਸ ਮੋੜ 'ਤੇ ਕੋਈ ਹੋਰ ਕਾਰਵਾਈਆਂ ਬਾਕੀ ਹਨ? ਇਹ ਐਲਵਿਸ਼ ਰਹੱਸਵਾਦੀ ਜਾਂ ਭਗੌੜੇ ਵਿਜ਼ਾਰਡ ਨੂੰ ਬੁਲਾ ਨਹੀਂ ਸਕਦਾ, ਕਿਉਂਕਿ ਉਹਨਾਂ ਨੂੰ ਬੁਲਾਉਣ ਲਈ ਕ੍ਰਮਵਾਰ ਹਰੇ ਅਤੇ ਨੀਲੇ ਮਾਨ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ, ਜਦੋਂ ਕਿ ਦਲਦਲ ਸਿਰਫ ਕਾਲਾ ਮਾਨ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ। ਅਤੇ ਉਹ ਹੁਣ ਜੰਗਲ ਨਹੀਂ ਖੇਡ ਸਕੇਗਾ, ਕਿਉਂਕਿ ਉਹ ਪਹਿਲਾਂ ਹੀ ਦਲਦਲ ਖੇਡ ਚੁੱਕਾ ਹੈ। ਇਸ ਤਰ੍ਹਾਂ, ਗੇਮ ਏਆਈ ਨੇ ਨਿਯਮਾਂ ਦੀ ਪਾਲਣਾ ਕੀਤੀ, ਪਰ ਇਸਦਾ ਮਾੜਾ ਪ੍ਰਦਰਸ਼ਨ ਕੀਤਾ। ਸੁਧਾਰਿਆ ਜਾ ਸਕਦਾ ਹੈ।

ਯੋਜਨਾਬੰਦੀ ਉਹਨਾਂ ਕਾਰਵਾਈਆਂ ਦੀ ਇੱਕ ਸੂਚੀ ਲੱਭ ਸਕਦੀ ਹੈ ਜੋ ਖੇਡ ਨੂੰ ਲੋੜੀਂਦੀ ਸਥਿਤੀ ਵਿੱਚ ਲਿਆਉਂਦੀਆਂ ਹਨ. ਜਿਵੇਂ ਕਿ ਇੱਕ ਮਾਰਗ 'ਤੇ ਹਰੇਕ ਵਰਗ ਦੇ ਗੁਆਂਢੀ ਹੁੰਦੇ ਹਨ (ਪਾਥਫਾਈਡਿੰਗ ਵਿੱਚ), ਇੱਕ ਯੋਜਨਾ ਵਿੱਚ ਹਰ ਕਿਰਿਆ ਦੇ ਵੀ ਗੁਆਂਢੀ ਜਾਂ ਉੱਤਰਾਧਿਕਾਰੀ ਹੁੰਦੇ ਹਨ। ਅਸੀਂ ਇਹਨਾਂ ਕਿਰਿਆਵਾਂ ਅਤੇ ਅਗਲੀਆਂ ਕਾਰਵਾਈਆਂ ਨੂੰ ਉਦੋਂ ਤੱਕ ਲੱਭ ਸਕਦੇ ਹਾਂ ਜਦੋਂ ਤੱਕ ਅਸੀਂ ਇੱਛਤ ਅਵਸਥਾ ਵਿੱਚ ਨਹੀਂ ਪਹੁੰਚ ਜਾਂਦੇ।

ਸਾਡੀ ਉਦਾਹਰਨ ਵਿੱਚ, ਲੋੜੀਂਦਾ ਨਤੀਜਾ ਹੈ "ਜੇ ਸੰਭਵ ਹੋਵੇ ਤਾਂ ਇੱਕ ਪ੍ਰਾਣੀ ਨੂੰ ਬੁਲਾਓ।" ਮੋੜ ਦੇ ਸ਼ੁਰੂ ਵਿੱਚ, ਅਸੀਂ ਖੇਡ ਦੇ ਨਿਯਮਾਂ ਦੁਆਰਾ ਮਨਜ਼ੂਰ ਕੇਵਲ ਦੋ ਸੰਭਵ ਕਾਰਵਾਈਆਂ ਨੂੰ ਦੇਖਦੇ ਹਾਂ:

1. ਦਲਦਲ ਖੇਡੋ (ਨਤੀਜਾ: ਖੇਡ ਵਿੱਚ ਦਲਦਲ)
2. ਜੰਗਲ ਖੇਡੋ (ਨਤੀਜਾ: ਖੇਡ ਵਿੱਚ ਜੰਗਲ)

ਖੇਡ ਦੇ ਨਿਯਮਾਂ 'ਤੇ ਨਿਰਭਰ ਕਰਦੇ ਹੋਏ, ਕੀਤੀ ਗਈ ਹਰੇਕ ਕਾਰਵਾਈ ਨਾਲ ਅੱਗੇ ਦੀਆਂ ਕਾਰਵਾਈਆਂ ਹੋ ਸਕਦੀਆਂ ਹਨ ਅਤੇ ਦੂਜਿਆਂ ਨੂੰ ਬੰਦ ਕਰ ਸਕਦੀਆਂ ਹਨ। ਕਲਪਨਾ ਕਰੋ ਕਿ ਅਸੀਂ ਦਲਦਲ ਖੇਡਿਆ ਹੈ - ਇਹ ਅਗਲੇ ਪੜਾਅ ਵਜੋਂ ਦਲਦਲ ਨੂੰ ਹਟਾ ਦੇਵੇਗਾ (ਅਸੀਂ ਇਸਨੂੰ ਪਹਿਲਾਂ ਹੀ ਖੇਡਿਆ ਹੈ), ਅਤੇ ਇਹ ਜੰਗਲ ਨੂੰ ਵੀ ਹਟਾ ਦੇਵੇਗਾ (ਕਿਉਂਕਿ ਨਿਯਮਾਂ ਦੇ ਅਨੁਸਾਰ ਤੁਸੀਂ ਪ੍ਰਤੀ ਵਾਰੀ ਇੱਕ ਲੈਂਡ ਕਾਰਡ ਖੇਡ ਸਕਦੇ ਹੋ)। ਇਸ ਤੋਂ ਬਾਅਦ, AI ਅਗਲੇ ਕਦਮ ਵਜੋਂ 1 ਕਾਲਾ ਮਾਨ ਪ੍ਰਾਪਤ ਕਰਨਾ ਜੋੜਦਾ ਹੈ ਕਿਉਂਕਿ ਕੋਈ ਹੋਰ ਵਿਕਲਪ ਨਹੀਂ ਹਨ। ਜੇਕਰ ਉਹ ਅੱਗੇ ਵਧਦਾ ਹੈ ਅਤੇ ਟੈਪ ਦ ਦਲਦਲ ਨੂੰ ਚੁਣਦਾ ਹੈ, ਤਾਂ ਉਸਨੂੰ ਕਾਲੇ ਮਾਨ ਦੀ 1 ਯੂਨਿਟ ਪ੍ਰਾਪਤ ਹੋਵੇਗੀ ਅਤੇ ਉਹ ਇਸ ਨਾਲ ਕੁਝ ਨਹੀਂ ਕਰ ਸਕੇਗਾ।

1. ਦਲਦਲ ਖੇਡੋ (ਨਤੀਜਾ: ਖੇਡ ਵਿੱਚ ਦਲਦਲ)
1.1 “ਟੈਪ” ਦਲਦਲ (ਨਤੀਜਾ: ਦਲਦਲ “ਟੈਪ”, ਕਾਲੇ ਮਾਨ ਦੀ +1 ਇਕਾਈ)
ਕੋਈ ਕਾਰਵਾਈਆਂ ਉਪਲਬਧ ਨਹੀਂ ਹਨ - END
2. ਜੰਗਲ ਖੇਡੋ (ਨਤੀਜਾ: ਖੇਡ ਵਿੱਚ ਜੰਗਲ)

ਕਾਰਵਾਈਆਂ ਦੀ ਸੂਚੀ ਛੋਟੀ ਸੀ, ਅਸੀਂ ਇੱਕ ਅੰਤਮ ਸਿਰੇ 'ਤੇ ਪਹੁੰਚ ਗਏ। ਅਸੀਂ ਅਗਲੇ ਪੜਾਅ ਲਈ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਦੁਹਰਾਉਂਦੇ ਹਾਂ. ਅਸੀਂ ਫੋਰੈਸਟ ਖੇਡਦੇ ਹਾਂ, "1 ਗ੍ਰੀਨ ਮਾਨ ਪ੍ਰਾਪਤ ਕਰੋ" ਐਕਸ਼ਨ ਖੋਲ੍ਹਦੇ ਹਾਂ, ਜੋ ਬਦਲੇ ਵਿੱਚ ਤੀਜੀ ਐਕਸ਼ਨ ਖੋਲ੍ਹੇਗਾ - ਐਲਵਿਸ਼ ਮਿਸਟਿਕ ਨੂੰ ਬੁਲਾਓ।

1. ਦਲਦਲ ਖੇਡੋ (ਨਤੀਜਾ: ਖੇਡ ਵਿੱਚ ਦਲਦਲ)
1.1 “ਟੈਪ” ਦਲਦਲ (ਨਤੀਜਾ: ਦਲਦਲ “ਟੈਪ”, ਕਾਲੇ ਮਾਨ ਦੀ +1 ਇਕਾਈ)
ਕੋਈ ਕਾਰਵਾਈਆਂ ਉਪਲਬਧ ਨਹੀਂ ਹਨ - END
2. ਜੰਗਲ ਖੇਡੋ (ਨਤੀਜਾ: ਖੇਡ ਵਿੱਚ ਜੰਗਲ)
2.1 “ਟੈਪ” ਜੰਗਲ (ਨਤੀਜਾ: ਜੰਗਲ “ਟੈਪ” ਹੈ, ਹਰੇ ਮਾਨ ਦੀ +1 ਇਕਾਈ)
2.1.1 ਐਲਵਿਸ਼ ਰਹੱਸਵਾਦੀ ਨੂੰ ਸੰਮਨ ਕਰੋ (ਨਤੀਜਾ: ਖੇਡ ਵਿੱਚ ਐਲਵਿਸ਼ ਰਹੱਸਵਾਦੀ, -1 ਹਰਾ ਮਾਨ)
ਕੋਈ ਕਾਰਵਾਈਆਂ ਉਪਲਬਧ ਨਹੀਂ ਹਨ - END

ਅੰਤ ਵਿੱਚ, ਅਸੀਂ ਸਾਰੀਆਂ ਸੰਭਵ ਕਾਰਵਾਈਆਂ ਦੀ ਪੜਚੋਲ ਕੀਤੀ ਅਤੇ ਇੱਕ ਯੋਜਨਾ ਲੱਭੀ ਜੋ ਇੱਕ ਪ੍ਰਾਣੀ ਨੂੰ ਬੁਲਾਉਂਦੀ ਹੈ।

ਇਹ ਇੱਕ ਬਹੁਤ ਹੀ ਸਰਲ ਉਦਾਹਰਣ ਹੈ। ਕੁਝ ਮਾਪਦੰਡਾਂ ਨੂੰ ਪੂਰਾ ਕਰਨ ਵਾਲੀ ਕਿਸੇ ਵੀ ਯੋਜਨਾ ਦੀ ਬਜਾਏ ਸਭ ਤੋਂ ਵਧੀਆ ਸੰਭਵ ਯੋਜਨਾ ਚੁਣਨ ਦੀ ਸਲਾਹ ਦਿੱਤੀ ਜਾਂਦੀ ਹੈ। ਸੰਭਾਵੀ ਯੋਜਨਾਵਾਂ ਨੂੰ ਉਹਨਾਂ ਦੇ ਲਾਗੂ ਕਰਨ ਦੇ ਨਤੀਜਿਆਂ ਜਾਂ ਸਮੁੱਚੇ ਲਾਭ ਦੇ ਅਧਾਰ ਤੇ ਮੁਲਾਂਕਣ ਕਰਨਾ ਆਮ ਤੌਰ 'ਤੇ ਸੰਭਵ ਹੁੰਦਾ ਹੈ। ਤੁਸੀਂ ਲੈਂਡ ਕਾਰਡ ਖੇਡਣ ਲਈ ਆਪਣੇ ਆਪ ਨੂੰ 1 ਅੰਕ ਅਤੇ ਕਿਸੇ ਜੀਵ ਨੂੰ ਬੁਲਾਉਣ ਲਈ 3 ਅੰਕ ਪ੍ਰਾਪਤ ਕਰ ਸਕਦੇ ਹੋ। ਦਲਦਲ ਖੇਡਣਾ ਇੱਕ 1 ਪੁਆਇੰਟ ਯੋਜਨਾ ਹੋਵੇਗੀ। ਅਤੇ ਫੋਰੈਸਟ → ਟੈਪ ਦ ਫੋਰੈਸਟ → ਸੰਮਨ ਐਲਵਿਸ਼ ਮਿਸਟਿਕ ਨੂੰ ਖੇਡਣਾ ਤੁਰੰਤ 4 ਪੁਆਇੰਟ ਦੇਵੇਗਾ।

ਮੈਜਿਕ: ਦਿ ਗੈਦਰਿੰਗ ਵਿੱਚ ਯੋਜਨਾਬੰਦੀ ਇਸ ਤਰ੍ਹਾਂ ਕੰਮ ਕਰਦੀ ਹੈ, ਪਰ ਇਹੀ ਤਰਕ ਹੋਰ ਸਥਿਤੀਆਂ ਵਿੱਚ ਲਾਗੂ ਹੁੰਦਾ ਹੈ। ਉਦਾਹਰਨ ਲਈ, ਬਿਸ਼ਪ ਨੂੰ ਸ਼ਤਰੰਜ ਵਿੱਚ ਜਾਣ ਲਈ ਜਗ੍ਹਾ ਬਣਾਉਣ ਲਈ ਇੱਕ ਮੋਹਰੇ ਨੂੰ ਹਿਲਾਉਣਾ। ਜਾਂ ਇਸ ਤਰ੍ਹਾਂ XCOM ਵਿੱਚ ਸੁਰੱਖਿਅਤ ਢੰਗ ਨਾਲ ਸ਼ੂਟ ਕਰਨ ਲਈ ਕੰਧ ਦੇ ਪਿੱਛੇ ਢੱਕੋ। ਆਮ ਤੌਰ 'ਤੇ, ਤੁਹਾਨੂੰ ਇਹ ਵਿਚਾਰ ਮਿਲਦਾ ਹੈ.

ਬਿਹਤਰ ਯੋਜਨਾਬੰਦੀ

ਕਈ ਵਾਰ ਹਰ ਸੰਭਵ ਵਿਕਲਪ 'ਤੇ ਵਿਚਾਰ ਕਰਨ ਲਈ ਬਹੁਤ ਸਾਰੀਆਂ ਸੰਭਾਵੀ ਕਾਰਵਾਈਆਂ ਹੁੰਦੀਆਂ ਹਨ। ਮੈਜਿਕ: ਦਿ ਗੈਦਰਿੰਗ ਦੇ ਨਾਲ ਉਦਾਹਰਣ ਤੇ ਵਾਪਸ ਜਾਣਾ: ਮੰਨ ਲਓ ਕਿ ਖੇਡ ਵਿੱਚ ਅਤੇ ਤੁਹਾਡੇ ਹੱਥ ਵਿੱਚ ਕਈ ਜ਼ਮੀਨੀ ਅਤੇ ਜੀਵ ਕਾਰਡ ਹਨ - ਚਾਲਾਂ ਦੇ ਸੰਭਾਵਿਤ ਸੰਜੋਗਾਂ ਦੀ ਗਿਣਤੀ ਦਰਜਨਾਂ ਵਿੱਚ ਹੋ ਸਕਦੀ ਹੈ। ਸਮੱਸਿਆ ਦੇ ਕਈ ਹੱਲ ਹਨ.

ਪਹਿਲਾ ਤਰੀਕਾ ਬੈਕਵਰਡ ਚੇਨਿੰਗ ਹੈ। ਸਾਰੇ ਸੰਜੋਗਾਂ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਨ ਦੀ ਬਜਾਏ, ਅੰਤਮ ਨਤੀਜੇ ਨਾਲ ਸ਼ੁਰੂ ਕਰਨਾ ਅਤੇ ਇੱਕ ਸਿੱਧਾ ਰਸਤਾ ਲੱਭਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਨਾ ਬਿਹਤਰ ਹੈ. ਰੁੱਖ ਦੀ ਜੜ੍ਹ ਤੋਂ ਇੱਕ ਖਾਸ ਪੱਤੇ ਤੱਕ ਜਾਣ ਦੀ ਬਜਾਏ, ਅਸੀਂ ਉਲਟ ਦਿਸ਼ਾ ਵਿੱਚ ਜਾਂਦੇ ਹਾਂ - ਪੱਤੇ ਤੋਂ ਜੜ੍ਹ ਤੱਕ. ਇਹ ਤਰੀਕਾ ਸੌਖਾ ਅਤੇ ਤੇਜ਼ ਹੈ.

ਜੇਕਰ ਦੁਸ਼ਮਣ ਕੋਲ 1 ਸਿਹਤ ਹੈ, ਤਾਂ ਤੁਸੀਂ "ਸੌਦਾ 1 ਜਾਂ ਵੱਧ ਨੁਕਸਾਨ" ਯੋਜਨਾ ਲੱਭ ਸਕਦੇ ਹੋ। ਇਸ ਨੂੰ ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ, ਕਈ ਸ਼ਰਤਾਂ ਪੂਰੀਆਂ ਕਰਨੀਆਂ ਚਾਹੀਦੀਆਂ ਹਨ:

1. ਸਪੈੱਲ ਕਾਰਨ ਨੁਕਸਾਨ ਹੋ ਸਕਦਾ ਹੈ - ਇਹ ਹੱਥ ਵਿੱਚ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ.
2. ਇੱਕ ਜਾਦੂ ਕਰਨ ਲਈ, ਤੁਹਾਨੂੰ ਮਾਨ ਦੀ ਲੋੜ ਹੈ.
3. ਮਾਨ ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ, ਤੁਹਾਨੂੰ ਲੈਂਡ ਕਾਰਡ ਖੇਡਣ ਦੀ ਲੋੜ ਹੈ।
4. ਲੈਂਡ ਕਾਰਡ ਖੇਡਣ ਲਈ, ਤੁਹਾਡੇ ਹੱਥ ਵਿੱਚ ਇਹ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ।

ਦੂਜਾ ਤਰੀਕਾ ਸਭ ਤੋਂ ਵਧੀਆ-ਪਹਿਲੀ ਖੋਜ ਹੈ। ਸਾਰੇ ਰਸਤੇ ਅਜ਼ਮਾਉਣ ਦੀ ਬਜਾਏ, ਅਸੀਂ ਸਭ ਤੋਂ ਢੁਕਵਾਂ ਰਾਹ ਚੁਣਦੇ ਹਾਂ। ਬਹੁਤੇ ਅਕਸਰ, ਇਹ ਵਿਧੀ ਬੇਲੋੜੀ ਖੋਜ ਲਾਗਤਾਂ ਤੋਂ ਬਿਨਾਂ ਅਨੁਕੂਲ ਯੋਜਨਾ ਦਿੰਦੀ ਹੈ। A* ਸਭ ਤੋਂ ਵਧੀਆ ਪਹਿਲੀ ਖੋਜ ਦਾ ਇੱਕ ਰੂਪ ਹੈ - ਸ਼ੁਰੂਆਤ ਤੋਂ ਸਭ ਤੋਂ ਵਧੀਆ ਰੂਟਾਂ ਦੀ ਜਾਂਚ ਕਰਕੇ, ਇਹ ਹੋਰ ਵਿਕਲਪਾਂ ਦੀ ਜਾਂਚ ਕੀਤੇ ਬਿਨਾਂ ਪਹਿਲਾਂ ਹੀ ਸਭ ਤੋਂ ਵਧੀਆ ਮਾਰਗ ਲੱਭ ਸਕਦਾ ਹੈ।

ਇੱਕ ਦਿਲਚਸਪ ਅਤੇ ਵਧਦੀ ਪ੍ਰਸਿੱਧ ਸਭ ਤੋਂ ਪਹਿਲਾਂ ਖੋਜ ਵਿਕਲਪ ਮੋਂਟੇ ਕਾਰਲੋ ਟ੍ਰੀ ਖੋਜ ਹੈ। ਹਰੇਕ ਅਗਲੀ ਕਾਰਵਾਈ ਦੀ ਚੋਣ ਕਰਦੇ ਸਮੇਂ ਇਹ ਅੰਦਾਜ਼ਾ ਲਗਾਉਣ ਦੀ ਬਜਾਏ ਕਿ ਕਿਹੜੀਆਂ ਯੋਜਨਾਵਾਂ ਦੂਜਿਆਂ ਨਾਲੋਂ ਬਿਹਤਰ ਹਨ, ਐਲਗੋਰਿਦਮ ਹਰ ਪੜਾਅ 'ਤੇ ਬੇਤਰਤੀਬੇ ਉੱਤਰਾਧਿਕਾਰੀਆਂ ਦੀ ਚੋਣ ਕਰਦਾ ਹੈ ਜਦੋਂ ਤੱਕ ਇਹ ਅੰਤ ਤੱਕ ਨਹੀਂ ਪਹੁੰਚਦਾ (ਜਦੋਂ ਯੋਜਨਾ ਜਿੱਤ ਜਾਂ ਹਾਰ ਦੇ ਨਤੀਜੇ ਵਜੋਂ)। ਅੰਤਮ ਨਤੀਜਾ ਫਿਰ ਪਿਛਲੇ ਵਿਕਲਪਾਂ ਦੇ ਭਾਰ ਨੂੰ ਵਧਾਉਣ ਜਾਂ ਘਟਾਉਣ ਲਈ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ। ਇਸ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਲਗਾਤਾਰ ਕਈ ਵਾਰ ਦੁਹਰਾਉਣ ਨਾਲ, ਐਲਗੋਰਿਦਮ ਵਧੀਆ ਅੰਦਾਜ਼ਾ ਦਿੰਦਾ ਹੈ ਕਿ ਅਗਲੀ ਸਭ ਤੋਂ ਵਧੀਆ ਚਾਲ ਕੀ ਹੈ, ਭਾਵੇਂ ਸਥਿਤੀ ਬਦਲ ਜਾਂਦੀ ਹੈ (ਜੇ ਦੁਸ਼ਮਣ ਖਿਡਾਰੀ ਨਾਲ ਦਖਲ ਦੇਣ ਲਈ ਕਾਰਵਾਈ ਕਰਦਾ ਹੈ)।

ਖੇਡਾਂ ਵਿੱਚ ਯੋਜਨਾਬੰਦੀ ਬਾਰੇ ਕੋਈ ਕਹਾਣੀ ਟੀਚਾ-ਅਧਾਰਿਤ ਐਕਸ਼ਨ ਪਲਾਨਿੰਗ ਜਾਂ GOAP (ਟੀਚਾ-ਅਧਾਰਿਤ ਐਕਸ਼ਨ ਪਲਾਨਿੰਗ) ਤੋਂ ਬਿਨਾਂ ਪੂਰੀ ਨਹੀਂ ਹੋਵੇਗੀ। ਇਹ ਇੱਕ ਵਿਆਪਕ ਤੌਰ 'ਤੇ ਵਰਤੀ ਜਾਂਦੀ ਅਤੇ ਚਰਚਾ ਕੀਤੀ ਗਈ ਵਿਧੀ ਹੈ, ਪਰ ਕੁਝ ਵੱਖਰੇ ਵੇਰਵਿਆਂ ਤੋਂ ਇਲਾਵਾ, ਇਹ ਜ਼ਰੂਰੀ ਤੌਰ 'ਤੇ ਪਿੱਛੇ ਵੱਲ ਚੇਨਿੰਗ ਵਿਧੀ ਹੈ ਜਿਸ ਬਾਰੇ ਅਸੀਂ ਪਹਿਲਾਂ ਗੱਲ ਕੀਤੀ ਸੀ। ਜੇਕਰ ਉਦੇਸ਼ "ਖਿਡਾਰੀ ਨੂੰ ਨਸ਼ਟ ਕਰਨਾ" ਸੀ ਅਤੇ ਖਿਡਾਰੀ ਕਵਰ ਦੇ ਪਿੱਛੇ ਹੈ, ਤਾਂ ਯੋਜਨਾ ਇਹ ਹੋ ਸਕਦੀ ਹੈ: ਗ੍ਰਨੇਡ ਨਾਲ ਨਸ਼ਟ ਕਰੋ → ਇਸਨੂੰ ਪ੍ਰਾਪਤ ਕਰੋ → ਇਸਨੂੰ ਸੁੱਟੋ।

ਆਮ ਤੌਰ 'ਤੇ ਕਈ ਟੀਚੇ ਹੁੰਦੇ ਹਨ, ਹਰੇਕ ਦੀ ਆਪਣੀ ਤਰਜੀਹ ਹੁੰਦੀ ਹੈ। ਜੇਕਰ ਸਭ ਤੋਂ ਵੱਧ ਤਰਜੀਹੀ ਉਦੇਸ਼ ਪੂਰਾ ਨਹੀਂ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ (ਕਿਰਿਆਵਾਂ ਦਾ ਕੋਈ ਸੁਮੇਲ "ਖਿਡਾਰੀ ਨੂੰ ਮਾਰੋ" ਯੋਜਨਾ ਨਹੀਂ ਬਣਾਉਂਦਾ ਕਿਉਂਕਿ ਖਿਡਾਰੀ ਦਿਖਾਈ ਨਹੀਂ ਦਿੰਦਾ), AI ਘੱਟ ਤਰਜੀਹੀ ਉਦੇਸ਼ਾਂ 'ਤੇ ਵਾਪਸ ਆ ਜਾਵੇਗਾ।

ਸਿਖਲਾਈ ਅਤੇ ਅਨੁਕੂਲਤਾ

ਅਸੀਂ ਪਹਿਲਾਂ ਹੀ ਕਿਹਾ ਹੈ ਕਿ ਗੇਮ AI ਆਮ ਤੌਰ 'ਤੇ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਦੀ ਵਰਤੋਂ ਨਹੀਂ ਕਰਦੀ ਹੈ ਕਿਉਂਕਿ ਇਹ ਅਸਲ ਸਮੇਂ ਵਿੱਚ ਏਜੰਟਾਂ ਦੇ ਪ੍ਰਬੰਧਨ ਲਈ ਢੁਕਵੀਂ ਨਹੀਂ ਹੈ। ਪਰ ਇਸਦਾ ਮਤਲਬ ਇਹ ਨਹੀਂ ਹੈ ਕਿ ਤੁਸੀਂ ਇਸ ਖੇਤਰ ਤੋਂ ਕੁਝ ਉਧਾਰ ਨਹੀਂ ਲੈ ਸਕਦੇ। ਅਸੀਂ ਨਿਸ਼ਾਨੇਬਾਜ਼ ਵਿੱਚ ਇੱਕ ਵਿਰੋਧੀ ਚਾਹੁੰਦੇ ਹਾਂ ਜਿਸ ਤੋਂ ਅਸੀਂ ਕੁਝ ਸਿੱਖ ਸਕੀਏ। ਉਦਾਹਰਨ ਲਈ, ਨਕਸ਼ੇ 'ਤੇ ਸਭ ਤੋਂ ਵਧੀਆ ਅਹੁਦਿਆਂ ਬਾਰੇ ਪਤਾ ਲਗਾਓ। ਜਾਂ ਲੜਾਈ ਵਾਲੀ ਖੇਡ ਵਿੱਚ ਇੱਕ ਵਿਰੋਧੀ ਜੋ ਖਿਡਾਰੀ ਦੀਆਂ ਅਕਸਰ ਵਰਤੀਆਂ ਜਾਣ ਵਾਲੀਆਂ ਕੰਬੋ ਚਾਲਾਂ ਨੂੰ ਰੋਕਦਾ ਹੈ, ਉਸਨੂੰ ਦੂਜਿਆਂ ਦੀ ਵਰਤੋਂ ਕਰਨ ਲਈ ਪ੍ਰੇਰਿਤ ਕਰਦਾ ਹੈ। ਇਸ ਲਈ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਅਜਿਹੀਆਂ ਸਥਿਤੀਆਂ ਵਿੱਚ ਕਾਫ਼ੀ ਲਾਭਦਾਇਕ ਹੋ ਸਕਦੀ ਹੈ।

ਅੰਕੜੇ ਅਤੇ ਸੰਭਾਵਨਾਵਾਂ

ਗੁੰਝਲਦਾਰ ਉਦਾਹਰਣਾਂ ਵਿੱਚ ਜਾਣ ਤੋਂ ਪਹਿਲਾਂ, ਆਓ ਦੇਖੀਏ ਕਿ ਅਸੀਂ ਕੁਝ ਸਧਾਰਨ ਮਾਪ ਲੈ ਕੇ ਅਤੇ ਫੈਸਲੇ ਲੈਣ ਲਈ ਉਹਨਾਂ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਕਿੰਨੀ ਦੂਰ ਜਾ ਸਕਦੇ ਹਾਂ। ਉਦਾਹਰਨ ਲਈ, ਅਸਲ-ਸਮੇਂ ਦੀ ਰਣਨੀਤੀ - ਅਸੀਂ ਇਹ ਕਿਵੇਂ ਨਿਰਧਾਰਿਤ ਕਰਦੇ ਹਾਂ ਕਿ ਕੀ ਕੋਈ ਖਿਡਾਰੀ ਗੇਮ ਦੇ ਪਹਿਲੇ ਕੁਝ ਮਿੰਟਾਂ ਵਿੱਚ ਹਮਲਾ ਕਰ ਸਕਦਾ ਹੈ ਅਤੇ ਇਸਦੇ ਵਿਰੁੱਧ ਕੀ ਬਚਾਅ ਕਰਨਾ ਹੈ? ਅਸੀਂ ਇਹ ਸਮਝਣ ਲਈ ਇੱਕ ਖਿਡਾਰੀ ਦੇ ਪਿਛਲੇ ਅਨੁਭਵਾਂ ਦਾ ਅਧਿਐਨ ਕਰ ਸਕਦੇ ਹਾਂ ਕਿ ਭਵਿੱਖ ਵਿੱਚ ਕੀ ਪ੍ਰਤੀਕਿਰਿਆਵਾਂ ਹੋ ਸਕਦੀਆਂ ਹਨ। ਸ਼ੁਰੂ ਕਰਨ ਲਈ, ਸਾਡੇ ਕੋਲ ਅਜਿਹਾ ਕੱਚਾ ਡੇਟਾ ਨਹੀਂ ਹੈ, ਪਰ ਅਸੀਂ ਇਸਨੂੰ ਇਕੱਠਾ ਕਰ ਸਕਦੇ ਹਾਂ - ਹਰ ਵਾਰ ਜਦੋਂ AI ਕਿਸੇ ਮਨੁੱਖ ਦੇ ਵਿਰੁੱਧ ਖੇਡਦਾ ਹੈ, ਇਹ ਪਹਿਲੇ ਹਮਲੇ ਦੇ ਸਮੇਂ ਨੂੰ ਰਿਕਾਰਡ ਕਰ ਸਕਦਾ ਹੈ। ਕੁਝ ਸੈਸ਼ਨਾਂ ਤੋਂ ਬਾਅਦ, ਸਾਨੂੰ ਭਵਿੱਖ ਵਿੱਚ ਖਿਡਾਰੀ ਨੂੰ ਹਮਲਾ ਕਰਨ ਵਿੱਚ ਲੱਗਣ ਵਾਲੇ ਸਮੇਂ ਦਾ ਔਸਤ ਪਤਾ ਲੱਗੇਗਾ।

ਔਸਤ ਮੁੱਲਾਂ ਵਿੱਚ ਵੀ ਇੱਕ ਸਮੱਸਿਆ ਹੈ: ਜੇਕਰ ਕੋਈ ਖਿਡਾਰੀ 20 ਵਾਰ ਦੌੜਦਾ ਹੈ ਅਤੇ 20 ਵਾਰ ਹੌਲੀ-ਹੌਲੀ ਖੇਡਦਾ ਹੈ, ਤਾਂ ਲੋੜੀਂਦੇ ਮੁੱਲ ਮੱਧ ਵਿੱਚ ਕਿਤੇ ਹੋਣਗੇ, ਅਤੇ ਇਹ ਸਾਨੂੰ ਕੁਝ ਵੀ ਲਾਭਦਾਇਕ ਨਹੀਂ ਦੇਵੇਗਾ। ਇੱਕ ਹੱਲ ਹੈ ਇਨਪੁਟ ਡੇਟਾ ਨੂੰ ਸੀਮਿਤ ਕਰਨਾ - ਆਖਰੀ 20 ਟੁਕੜਿਆਂ ਨੂੰ ਧਿਆਨ ਵਿੱਚ ਰੱਖਿਆ ਜਾ ਸਕਦਾ ਹੈ।

ਇਹ ਮੰਨ ਕੇ ਕਿ ਖਿਡਾਰੀ ਦੀਆਂ ਪਿਛਲੀਆਂ ਤਰਜੀਹਾਂ ਭਵਿੱਖ ਵਿੱਚ ਇੱਕੋ ਜਿਹੀਆਂ ਹੋਣਗੀਆਂ, ਕੁਝ ਕਾਰਵਾਈਆਂ ਦੀ ਸੰਭਾਵਨਾ ਦਾ ਅੰਦਾਜ਼ਾ ਲਗਾਉਣ ਵੇਲੇ ਇੱਕ ਸਮਾਨ ਪਹੁੰਚ ਵਰਤੀ ਜਾਂਦੀ ਹੈ। ਜੇਕਰ ਕੋਈ ਖਿਡਾਰੀ ਸਾਡੇ 'ਤੇ ਪੰਜ ਵਾਰ ਫਾਇਰਬਾਲ ਨਾਲ ਹਮਲਾ ਕਰਦਾ ਹੈ, ਦੋ ਵਾਰ ਬਿਜਲੀ ਨਾਲ, ਅਤੇ ਇੱਕ ਵਾਰ ਝਗੜੇ ਨਾਲ, ਇਹ ਸਪੱਸ਼ਟ ਹੈ ਕਿ ਉਹ ਫਾਇਰਬਾਲ ਨੂੰ ਤਰਜੀਹ ਦਿੰਦਾ ਹੈ। ਚਲੋ ਐਕਸਟਰਾਪੋਲੇਟ ਕਰੀਏ ਅਤੇ ਵੱਖ-ਵੱਖ ਹਥਿਆਰਾਂ ਦੀ ਵਰਤੋਂ ਕਰਨ ਦੀ ਸੰਭਾਵਨਾ ਨੂੰ ਵੇਖੀਏ: ਫਾਇਰਬਾਲ=62,5%, ਲਾਈਟਨਿੰਗ=25% ਅਤੇ ਝਗੜਾ=12,5%। ਸਾਡੀ ਗੇਮ ਏਆਈ ਨੂੰ ਆਪਣੇ ਆਪ ਨੂੰ ਅੱਗ ਤੋਂ ਬਚਾਉਣ ਲਈ ਤਿਆਰ ਕਰਨ ਦੀ ਲੋੜ ਹੈ।

ਇੱਕ ਹੋਰ ਦਿਲਚਸਪ ਤਰੀਕਾ ਹੈ ਕਿ ਵੱਡੀ ਮਾਤਰਾ ਵਿੱਚ ਇਨਪੁਟ ਡੇਟਾ ਦਾ ਅਧਿਐਨ ਕਰਨ ਅਤੇ ਸਥਿਤੀ ਦਾ ਵਰਗੀਕਰਨ ਕਰਨ ਲਈ Naive Bayes Classifier ਦੀ ਵਰਤੋਂ ਕਰਨਾ ਹੈ ਤਾਂ ਜੋ AI ਲੋੜੀਂਦੇ ਤਰੀਕੇ ਨਾਲ ਪ੍ਰਤੀਕਿਰਿਆ ਕਰੇ। Bayesian ਕਲਾਸੀਫਾਇਰ ਈਮੇਲ ਸਪੈਮ ਫਿਲਟਰਾਂ ਵਿੱਚ ਉਹਨਾਂ ਦੀ ਵਰਤੋਂ ਲਈ ਸਭ ਤੋਂ ਵੱਧ ਜਾਣੇ ਜਾਂਦੇ ਹਨ। ਉੱਥੇ ਉਹ ਸ਼ਬਦਾਂ ਦੀ ਜਾਂਚ ਕਰਦੇ ਹਨ, ਉਹਨਾਂ ਦੀ ਤੁਲਨਾ ਕਰਦੇ ਹਨ ਕਿ ਉਹ ਸ਼ਬਦ ਪਹਿਲਾਂ ਕਿੱਥੇ ਪ੍ਰਗਟ ਹੋਏ ਹਨ (ਸਪੈਮ ਵਿੱਚ ਜਾਂ ਨਹੀਂ), ਅਤੇ ਆਉਣ ਵਾਲੀਆਂ ਈਮੇਲਾਂ ਬਾਰੇ ਸਿੱਟੇ ਕੱਢਦੇ ਹਨ। ਅਸੀਂ ਘੱਟ ਇਨਪੁਟਸ ਦੇ ਨਾਲ ਵੀ ਉਹੀ ਕੰਮ ਕਰ ਸਕਦੇ ਹਾਂ। ਸਾਰੀਆਂ ਉਪਯੋਗੀ ਜਾਣਕਾਰੀ ਦੇ ਆਧਾਰ 'ਤੇ ਜੋ AI ਦੇਖਦਾ ਹੈ (ਜਿਵੇਂ ਕਿ ਦੁਸ਼ਮਣ ਦੀਆਂ ਕਿਹੜੀਆਂ ਇਕਾਈਆਂ ਬਣਾਈਆਂ ਗਈਆਂ ਹਨ, ਜਾਂ ਉਹ ਕਿਹੜੀਆਂ ਸਪੈਲਾਂ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹਨ, ਜਾਂ ਉਨ੍ਹਾਂ ਨੇ ਕਿਹੜੀਆਂ ਤਕਨੀਕਾਂ ਦੀ ਖੋਜ ਕੀਤੀ ਹੈ), ਅਤੇ ਅੰਤਮ ਨਤੀਜੇ (ਜੰਗ ਜਾਂ ਸ਼ਾਂਤੀ, ਕਾਹਲੀ ਜਾਂ ਬਚਾਅ, ਆਦਿ)। - ਅਸੀਂ ਲੋੜੀਂਦਾ AI ਵਿਵਹਾਰ ਚੁਣਾਂਗੇ।

ਇਹ ਸਾਰੀਆਂ ਸਿਖਲਾਈ ਵਿਧੀਆਂ ਕਾਫ਼ੀ ਹਨ, ਪਰ ਟੈਸਟਿੰਗ ਡੇਟਾ ਦੇ ਅਧਾਰ ਤੇ ਇਹਨਾਂ ਦੀ ਵਰਤੋਂ ਕਰਨ ਦੀ ਸਲਾਹ ਦਿੱਤੀ ਜਾਂਦੀ ਹੈ। AI ਤੁਹਾਡੇ ਪਲੇਟੈਸਟਰਾਂ ਦੁਆਰਾ ਵਰਤੀਆਂ ਗਈਆਂ ਵੱਖ-ਵੱਖ ਰਣਨੀਤੀਆਂ ਦੇ ਅਨੁਕੂਲ ਹੋਣਾ ਸਿੱਖੇਗਾ। AI ਜੋ ਰੀਲੀਜ਼ ਤੋਂ ਬਾਅਦ ਪਲੇਅਰ ਦੇ ਅਨੁਕੂਲ ਬਣ ਜਾਂਦਾ ਹੈ ਬਹੁਤ ਜ਼ਿਆਦਾ ਅਨੁਮਾਨ ਲਗਾਉਣ ਯੋਗ ਜਾਂ ਹਾਰਨਾ ਬਹੁਤ ਮੁਸ਼ਕਲ ਹੋ ਸਕਦਾ ਹੈ।

ਮੁੱਲ ਅਧਾਰਤ ਅਨੁਕੂਲਨ

ਸਾਡੀ ਖੇਡ ਜਗਤ ਦੀ ਸਮੱਗਰੀ ਅਤੇ ਨਿਯਮਾਂ ਦੇ ਮੱਦੇਨਜ਼ਰ, ਅਸੀਂ ਸਿਰਫ਼ ਇਨਪੁਟ ਡੇਟਾ ਦੀ ਵਰਤੋਂ ਕਰਨ ਦੀ ਬਜਾਏ, ਫੈਸਲੇ ਲੈਣ ਨੂੰ ਪ੍ਰਭਾਵਿਤ ਕਰਨ ਵਾਲੇ ਮੁੱਲਾਂ ਦੇ ਸਮੂਹ ਨੂੰ ਬਦਲ ਸਕਦੇ ਹਾਂ। ਅਸੀਂ ਇਹ ਕਰਦੇ ਹਾਂ:

• AI ਨੂੰ ਖੇਡ ਦੇ ਦੌਰਾਨ ਵਿਸ਼ਵ ਦੀ ਸਥਿਤੀ ਅਤੇ ਮੁੱਖ ਘਟਨਾਵਾਂ (ਉਪਰੋਕਤ ਅਨੁਸਾਰ) 'ਤੇ ਡਾਟਾ ਇਕੱਠਾ ਕਰਨ ਦਿਓ।
• ਆਓ ਇਸ ਡੇਟਾ ਦੇ ਅਧਾਰ ਤੇ ਕੁਝ ਮਹੱਤਵਪੂਰਨ ਮੁੱਲਾਂ ਨੂੰ ਬਦਲੀਏ।
• ਅਸੀਂ ਇਹਨਾਂ ਮੁੱਲਾਂ ਦੀ ਪ੍ਰੋਸੈਸਿੰਗ ਜਾਂ ਮੁਲਾਂਕਣ ਦੇ ਅਧਾਰ 'ਤੇ ਆਪਣੇ ਫੈਸਲਿਆਂ ਨੂੰ ਲਾਗੂ ਕਰਦੇ ਹਾਂ।

ਉਦਾਹਰਨ ਲਈ, ਇੱਕ ਏਜੰਟ ਕੋਲ ਪਹਿਲੇ ਵਿਅਕਤੀ ਨਿਸ਼ਾਨੇਬਾਜ਼ ਦੇ ਨਕਸ਼ੇ ਵਿੱਚੋਂ ਚੁਣਨ ਲਈ ਕਈ ਕਮਰੇ ਹਨ। ਹਰੇਕ ਕਮਰੇ ਦਾ ਆਪਣਾ ਮੁੱਲ ਹੁੰਦਾ ਹੈ, ਜੋ ਇਹ ਨਿਰਧਾਰਤ ਕਰਦਾ ਹੈ ਕਿ ਇਸ ਦਾ ਦੌਰਾ ਕਰਨਾ ਕਿੰਨਾ ਫਾਇਦੇਮੰਦ ਹੈ। AI ਬੇਤਰਤੀਬੇ ਮੁੱਲ ਦੇ ਅਧਾਰ 'ਤੇ ਚੁਣਦਾ ਹੈ ਕਿ ਕਿਸ ਕਮਰੇ ਵਿੱਚ ਜਾਣਾ ਹੈ। ਏਜੰਟ ਫਿਰ ਯਾਦ ਰੱਖਦਾ ਹੈ ਕਿ ਉਹ ਕਿਸ ਕਮਰੇ ਵਿੱਚ ਮਾਰਿਆ ਗਿਆ ਸੀ ਅਤੇ ਇਸਦਾ ਮੁੱਲ ਘਟਾਉਂਦਾ ਹੈ (ਸੰਭਾਵਨਾ ਕਿ ਉਹ ਉੱਥੇ ਵਾਪਸ ਆ ਜਾਵੇਗਾ)। ਇਸੇ ਤਰ੍ਹਾਂ ਉਲਟ ਸਥਿਤੀ ਲਈ - ਜੇ ਏਜੰਟ ਬਹੁਤ ਸਾਰੇ ਵਿਰੋਧੀਆਂ ਨੂੰ ਨਸ਼ਟ ਕਰਦਾ ਹੈ, ਤਾਂ ਕਮਰੇ ਦੀ ਕੀਮਤ ਵਧ ਜਾਂਦੀ ਹੈ.

ਮਾਰਕੋਵ ਮਾਡਲ

ਜੇਕਰ ਅਸੀਂ ਪੂਰਵ-ਅਨੁਮਾਨ ਲਗਾਉਣ ਲਈ ਇਕੱਤਰ ਕੀਤੇ ਡੇਟਾ ਦੀ ਵਰਤੋਂ ਕੀਤੀ ਤਾਂ ਕੀ ਹੋਵੇਗਾ? ਜੇਕਰ ਅਸੀਂ ਹਰ ਕਮਰੇ ਨੂੰ ਯਾਦ ਕਰਦੇ ਹਾਂ ਜਿਸ ਵਿੱਚ ਅਸੀਂ ਇੱਕ ਨਿਸ਼ਚਿਤ ਸਮੇਂ ਲਈ ਇੱਕ ਖਿਡਾਰੀ ਨੂੰ ਦੇਖਦੇ ਹਾਂ, ਤਾਂ ਅਸੀਂ ਅਨੁਮਾਨ ਲਗਾਵਾਂਗੇ ਕਿ ਖਿਡਾਰੀ ਕਿਸ ਕਮਰੇ ਵਿੱਚ ਜਾ ਸਕਦਾ ਹੈ। ਕਮਰਿਆਂ (ਮੁੱਲਾਂ) ਵਿੱਚ ਖਿਡਾਰੀ ਦੀਆਂ ਹਰਕਤਾਂ ਨੂੰ ਟਰੈਕ ਕਰਨ ਅਤੇ ਰਿਕਾਰਡ ਕਰਕੇ, ਅਸੀਂ ਉਹਨਾਂ ਦਾ ਅਨੁਮਾਨ ਲਗਾ ਸਕਦੇ ਹਾਂ।

ਆਉ ਤਿੰਨ ਕਮਰੇ ਲੈਂਦੇ ਹਾਂ: ਲਾਲ, ਹਰਾ ਅਤੇ ਨੀਲਾ। ਅਤੇ ਇਹ ਵੀ ਨਿਰੀਖਣ ਜੋ ਅਸੀਂ ਗੇਮ ਸੈਸ਼ਨ ਦੇਖਦੇ ਸਮੇਂ ਰਿਕਾਰਡ ਕੀਤੇ:

ਹਰੇਕ ਕਮਰੇ ਵਿੱਚ ਨਿਰੀਖਣਾਂ ਦੀ ਗਿਣਤੀ ਲਗਭਗ ਬਰਾਬਰ ਹੈ - ਸਾਨੂੰ ਅਜੇ ਵੀ ਨਹੀਂ ਪਤਾ ਕਿ ਹਮਲੇ ਲਈ ਇੱਕ ਚੰਗੀ ਜਗ੍ਹਾ ਕਿੱਥੇ ਬਣਾਉਣੀ ਹੈ। ਅੰਕੜਿਆਂ ਨੂੰ ਇਕੱਠਾ ਕਰਨਾ ਖਿਡਾਰੀਆਂ ਦੇ ਮੁੜ ਪੈਦਾ ਹੋਣ ਨਾਲ ਵੀ ਗੁੰਝਲਦਾਰ ਹੈ, ਜੋ ਪੂਰੇ ਨਕਸ਼ੇ ਵਿੱਚ ਸਮਾਨ ਰੂਪ ਵਿੱਚ ਦਿਖਾਈ ਦਿੰਦੇ ਹਨ। ਪਰ ਨਕਸ਼ੇ 'ਤੇ ਦਿਖਾਈ ਦੇਣ ਤੋਂ ਬਾਅਦ ਉਹ ਜਿਸ ਕਮਰੇ ਵਿੱਚ ਦਾਖਲ ਹੁੰਦੇ ਹਨ ਉਸ ਬਾਰੇ ਡੇਟਾ ਪਹਿਲਾਂ ਹੀ ਉਪਯੋਗੀ ਹੈ।

ਇਹ ਦੇਖਿਆ ਜਾ ਸਕਦਾ ਹੈ ਕਿ ਗ੍ਰੀਨ ਰੂਮ ਖਿਡਾਰੀਆਂ ਦੇ ਅਨੁਕੂਲ ਹੈ - ਜ਼ਿਆਦਾਤਰ ਲੋਕ ਲਾਲ ਕਮਰੇ ਤੋਂ ਇਸ ਵੱਲ ਜਾਂਦੇ ਹਨ, ਜਿਨ੍ਹਾਂ ਵਿੱਚੋਂ 50% ਉੱਥੇ ਹੀ ਰਹਿੰਦੇ ਹਨ। ਨੀਲਾ ਕਮਰਾ, ਇਸਦੇ ਉਲਟ, ਪ੍ਰਸਿੱਧ ਨਹੀਂ ਹੈ; ਲਗਭਗ ਕੋਈ ਵੀ ਇਸ ਵਿੱਚ ਨਹੀਂ ਜਾਂਦਾ, ਅਤੇ ਜੇ ਉਹ ਕਰਦੇ ਹਨ, ਤਾਂ ਉਹ ਲੰਬੇ ਸਮੇਂ ਤੱਕ ਨਹੀਂ ਰਹਿੰਦੇ.

ਪਰ ਡੇਟਾ ਸਾਨੂੰ ਕੁਝ ਹੋਰ ਮਹੱਤਵਪੂਰਨ ਦੱਸਦਾ ਹੈ - ਜਦੋਂ ਕੋਈ ਖਿਡਾਰੀ ਨੀਲੇ ਕਮਰੇ ਵਿੱਚ ਹੁੰਦਾ ਹੈ, ਤਾਂ ਅਗਲਾ ਕਮਰਾ ਜਿਸ ਵਿੱਚ ਅਸੀਂ ਉਸਨੂੰ ਵੇਖਦੇ ਹਾਂ ਲਾਲ ਹੋਵੇਗਾ, ਹਰਾ ਨਹੀਂ। ਭਾਵੇਂ ਗ੍ਰੀਨ ਰੂਮ ਲਾਲ ਕਮਰੇ ਨਾਲੋਂ ਵਧੇਰੇ ਪ੍ਰਸਿੱਧ ਹੈ, ਜੇ ਖਿਡਾਰੀ ਨੀਲੇ ਕਮਰੇ ਵਿਚ ਹੋਵੇ ਤਾਂ ਸਥਿਤੀ ਬਦਲ ਜਾਂਦੀ ਹੈ. ਅਗਲੀ ਸਥਿਤੀ (ਜਿਵੇਂ ਕਿ ਖਿਡਾਰੀ ਜਿਸ ਕਮਰੇ ਵਿੱਚ ਜਾਵੇਗਾ) ਪਿਛਲੀ ਸਥਿਤੀ 'ਤੇ ਨਿਰਭਰ ਕਰਦਾ ਹੈ (ਜਿਵੇਂ ਕਿ ਖਿਡਾਰੀ ਇਸ ਸਮੇਂ ਜਿਸ ਕਮਰੇ ਵਿੱਚ ਹੈ)। ਕਿਉਂਕਿ ਅਸੀਂ ਨਿਰਭਰਤਾਵਾਂ ਦੀ ਪੜਚੋਲ ਕਰਦੇ ਹਾਂ, ਜੇਕਰ ਅਸੀਂ ਨਿਰੀਖਣਾਂ ਨੂੰ ਸੁਤੰਤਰ ਤੌਰ 'ਤੇ ਗਿਣਦੇ ਹਾਂ ਤਾਂ ਅਸੀਂ ਇਸ ਨਾਲੋਂ ਵਧੇਰੇ ਸਹੀ ਭਵਿੱਖਬਾਣੀਆਂ ਕਰਾਂਗੇ।

ਕਿਸੇ ਅਤੀਤ ਦੀ ਸਥਿਤੀ ਦੇ ਅੰਕੜਿਆਂ ਦੇ ਆਧਾਰ 'ਤੇ ਭਵਿੱਖ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਨੂੰ ਮਾਰਕੋਵ ਮਾਡਲ ਕਿਹਾ ਜਾਂਦਾ ਹੈ, ਅਤੇ ਅਜਿਹੀਆਂ ਉਦਾਹਰਣਾਂ (ਕਮਰਿਆਂ ਦੇ ਨਾਲ) ਨੂੰ ਮਾਰਕੋਵ ਚੇਨ ਕਿਹਾ ਜਾਂਦਾ ਹੈ। ਕਿਉਂਕਿ ਪੈਟਰਨ ਲਗਾਤਾਰ ਅਵਸਥਾਵਾਂ ਵਿਚਕਾਰ ਤਬਦੀਲੀਆਂ ਦੀ ਸੰਭਾਵਨਾ ਨੂੰ ਦਰਸਾਉਂਦੇ ਹਨ, ਉਹਨਾਂ ਨੂੰ ਹਰੇਕ ਪਰਿਵਰਤਨ ਦੇ ਆਲੇ ਦੁਆਲੇ ਇੱਕ ਸੰਭਾਵਨਾ ਦੇ ਨਾਲ FSMs ਦੇ ਰੂਪ ਵਿੱਚ ਪ੍ਰਦਰਸ਼ਿਤ ਕੀਤਾ ਜਾਂਦਾ ਹੈ। ਪਹਿਲਾਂ, ਅਸੀਂ ਵਿਹਾਰਕ ਸਥਿਤੀ ਨੂੰ ਦਰਸਾਉਣ ਲਈ FSM ਦੀ ਵਰਤੋਂ ਕੀਤੀ ਸੀ ਜਿਸ ਵਿੱਚ ਇੱਕ ਏਜੰਟ ਸੀ, ਪਰ ਇਹ ਸੰਕਲਪ ਕਿਸੇ ਵੀ ਰਾਜ ਤੱਕ ਫੈਲਦਾ ਹੈ, ਭਾਵੇਂ ਇਹ ਏਜੰਟ ਨਾਲ ਜੁੜਿਆ ਹੋਵੇ ਜਾਂ ਨਾ। ਇਸ ਸਥਿਤੀ ਵਿੱਚ, ਰਾਜ ਉਸ ਕਮਰੇ ਨੂੰ ਦਰਸਾਉਂਦੇ ਹਨ ਜਿਸ ਵਿੱਚ ਏਜੰਟ ਦਾ ਕਬਜ਼ਾ ਹੈ:

ਇਹ ਰਾਜ ਦੀਆਂ ਤਬਦੀਲੀਆਂ ਦੀ ਅਨੁਸਾਰੀ ਸੰਭਾਵਨਾ ਨੂੰ ਦਰਸਾਉਣ ਦਾ ਇੱਕ ਸਰਲ ਤਰੀਕਾ ਹੈ, ਜਿਸ ਨਾਲ AI ਨੂੰ ਅਗਲੇ ਰਾਜ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਦੀ ਕੁਝ ਯੋਗਤਾ ਮਿਲਦੀ ਹੈ। ਤੁਸੀਂ ਅੱਗੇ ਕਈ ਕਦਮਾਂ ਦਾ ਅੰਦਾਜ਼ਾ ਲਗਾ ਸਕਦੇ ਹੋ।

ਜੇਕਰ ਕੋਈ ਖਿਡਾਰੀ ਗ੍ਰੀਨ ਰੂਮ ਵਿੱਚ ਹੈ, ਤਾਂ 50% ਸੰਭਾਵਨਾ ਹੁੰਦੀ ਹੈ ਕਿ ਅਗਲੀ ਵਾਰ ਜਦੋਂ ਉਸਨੂੰ ਦੇਖਿਆ ਜਾਂਦਾ ਹੈ ਤਾਂ ਉਹ ਉੱਥੇ ਹੀ ਰਹੇਗਾ। ਪਰ ਕੀ ਸੰਭਾਵਨਾਵਾਂ ਹਨ ਕਿ ਉਹ ਅਜੇ ਵੀ ਉਥੇ ਰਹੇਗਾ? ਨਾ ਸਿਰਫ ਇੱਕ ਮੌਕਾ ਹੈ ਕਿ ਖਿਡਾਰੀ ਦੋ ਨਿਰੀਖਣਾਂ ਤੋਂ ਬਾਅਦ ਗ੍ਰੀਨ ਰੂਮ ਵਿੱਚ ਰਿਹਾ, ਪਰ ਇੱਕ ਮੌਕਾ ਇਹ ਵੀ ਹੈ ਕਿ ਉਹ ਛੱਡ ਗਿਆ ਅਤੇ ਵਾਪਸ ਆ ਗਿਆ. ਇੱਥੇ ਨਵੇਂ ਡੇਟਾ ਨੂੰ ਧਿਆਨ ਵਿੱਚ ਰੱਖਦੇ ਹੋਏ ਨਵੀਂ ਸਾਰਣੀ ਹੈ:

ਇਹ ਦਰਸਾਉਂਦਾ ਹੈ ਕਿ ਦੋ ਨਿਰੀਖਣਾਂ ਤੋਂ ਬਾਅਦ ਖਿਡਾਰੀ ਨੂੰ ਗ੍ਰੀਨ ਰੂਮ ਵਿੱਚ ਦੇਖਣ ਦੀ ਸੰਭਾਵਨਾ 51% - 21% ਦੇ ਬਰਾਬਰ ਹੋਵੇਗੀ ਕਿ ਉਹ ਲਾਲ ਕਮਰੇ ਤੋਂ ਹੋਵੇਗਾ, ਉਹਨਾਂ ਵਿੱਚੋਂ 5% ਕਿ ਖਿਡਾਰੀ ਉਹਨਾਂ ਦੇ ਵਿਚਕਾਰ ਨੀਲੇ ਕਮਰੇ ਵਿੱਚ ਜਾਵੇਗਾ, ਅਤੇ 25% ਕਿ ਖਿਡਾਰੀ ਗ੍ਰੀਨ ਰੂਮ ਨਹੀਂ ਛੱਡੇਗਾ।

ਸਾਰਣੀ ਸਿਰਫ਼ ਇੱਕ ਵਿਜ਼ੂਅਲ ਟੂਲ ਹੈ - ਵਿਧੀ ਲਈ ਸਿਰਫ਼ ਹਰ ਪੜਾਅ 'ਤੇ ਸੰਭਾਵਨਾਵਾਂ ਨੂੰ ਗੁਣਾ ਕਰਨ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ। ਇਸਦਾ ਮਤਲਬ ਹੈ ਕਿ ਤੁਸੀਂ ਇੱਕ ਚੇਤਾਵਨੀ ਦੇ ਨਾਲ ਭਵਿੱਖ ਵਿੱਚ ਬਹੁਤ ਦੂਰ ਤੱਕ ਦੇਖ ਸਕਦੇ ਹੋ: ਅਸੀਂ ਇਹ ਮੰਨਦੇ ਹਾਂ ਕਿ ਇੱਕ ਕਮਰੇ ਵਿੱਚ ਦਾਖਲ ਹੋਣ ਦੀ ਸੰਭਾਵਨਾ ਪੂਰੀ ਤਰ੍ਹਾਂ ਮੌਜੂਦਾ ਕਮਰੇ 'ਤੇ ਨਿਰਭਰ ਕਰਦੀ ਹੈ। ਇਸ ਨੂੰ ਮਾਰਕੋਵ ਸੰਪੱਤੀ ਕਿਹਾ ਜਾਂਦਾ ਹੈ - ਭਵਿੱਖ ਦੀ ਸਥਿਤੀ ਸਿਰਫ ਵਰਤਮਾਨ 'ਤੇ ਨਿਰਭਰ ਕਰਦੀ ਹੈ. ਪਰ ਇਹ 100% ਸਹੀ ਨਹੀਂ ਹੈ। ਖਿਡਾਰੀ ਹੋਰ ਕਾਰਕਾਂ ਦੇ ਆਧਾਰ 'ਤੇ ਫੈਸਲੇ ਬਦਲ ਸਕਦੇ ਹਨ: ਸਿਹਤ ਦਾ ਪੱਧਰ ਜਾਂ ਅਸਲੇ ਦੀ ਮਾਤਰਾ। ਕਿਉਂਕਿ ਅਸੀਂ ਇਹਨਾਂ ਮੁੱਲਾਂ ਨੂੰ ਰਿਕਾਰਡ ਨਹੀਂ ਕਰਦੇ ਹਾਂ, ਸਾਡੀਆਂ ਭਵਿੱਖਬਾਣੀਆਂ ਘੱਟ ਸਹੀ ਹੋਣਗੀਆਂ।

ਐਨ-ਗ੍ਰਾਮ

ਲੜਾਈ ਵਾਲੀ ਖੇਡ ਦੀ ਉਦਾਹਰਨ ਅਤੇ ਖਿਡਾਰੀ ਦੇ ਕੰਬੋ ਚਾਲ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਬਾਰੇ ਕੀ? ਸਮਾਨ! ਪਰ ਇੱਕ ਰਾਜ ਜਾਂ ਘਟਨਾ ਦੀ ਬਜਾਏ, ਅਸੀਂ ਇੱਕ ਕੰਬੋ ਸਟ੍ਰਾਈਕ ਬਣਾਉਣ ਵਾਲੇ ਸਾਰੇ ਕ੍ਰਮਾਂ ਦੀ ਜਾਂਚ ਕਰਾਂਗੇ।

ਅਜਿਹਾ ਕਰਨ ਦਾ ਇੱਕ ਤਰੀਕਾ ਹੈ ਹਰੇਕ ਇਨਪੁਟ (ਜਿਵੇਂ ਕਿ ਕਿੱਕ, ਪੰਚ ਜਾਂ ਬਲਾਕ) ਨੂੰ ਇੱਕ ਬਫਰ ਵਿੱਚ ਸਟੋਰ ਕਰਨਾ ਅਤੇ ਪੂਰੇ ਬਫਰ ਨੂੰ ਇੱਕ ਇਵੈਂਟ ਵਜੋਂ ਲਿਖਣਾ। ਇਸ ਲਈ ਖਿਡਾਰੀ ਸੁਪਰਡੈਥਫਿਸਟ ਹਮਲੇ ਦੀ ਵਰਤੋਂ ਕਰਨ ਲਈ ਵਾਰ-ਵਾਰ ਕਿੱਕ, ਕਿੱਕ, ਪੰਚ ਦਬਾਉਦਾ ਹੈ, ਏਆਈ ਸਿਸਟਮ ਸਾਰੇ ਇਨਪੁਟਸ ਨੂੰ ਇੱਕ ਬਫਰ ਵਿੱਚ ਸਟੋਰ ਕਰਦਾ ਹੈ ਅਤੇ ਹਰੇਕ ਪੜਾਅ ਵਿੱਚ ਵਰਤੇ ਗਏ ਆਖਰੀ ਤਿੰਨਾਂ ਨੂੰ ਯਾਦ ਰੱਖਦਾ ਹੈ।

(ਬੋਲਡ ਵਿੱਚ ਲਾਈਨਾਂ ਉਦੋਂ ਹੁੰਦੀਆਂ ਹਨ ਜਦੋਂ ਖਿਡਾਰੀ SuperDeathFist ਹਮਲਾ ਸ਼ੁਰੂ ਕਰਦਾ ਹੈ।)

AI ਸਾਰੇ ਵਿਕਲਪਾਂ ਨੂੰ ਦੇਖੇਗਾ ਜਦੋਂ ਖਿਡਾਰੀ ਕਿੱਕ ਦੀ ਚੋਣ ਕਰੇਗਾ, ਉਸ ਤੋਂ ਬਾਅਦ ਇੱਕ ਹੋਰ ਕਿੱਕ, ਅਤੇ ਫਿਰ ਧਿਆਨ ਦਿਓ ਕਿ ਅਗਲਾ ਇਨਪੁਟ ਹਮੇਸ਼ਾ ਪੰਚ ਹੁੰਦਾ ਹੈ। ਇਹ ਏਜੰਟ ਨੂੰ SuperDeathFist ਦੇ ਕੰਬੋ ਮੂਵ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਅਤੇ ਜੇਕਰ ਸੰਭਵ ਹੋਵੇ ਤਾਂ ਇਸਨੂੰ ਬਲੌਕ ਕਰਨ ਦੀ ਇਜਾਜ਼ਤ ਦੇਵੇਗਾ।

ਘਟਨਾਵਾਂ ਦੇ ਇਹਨਾਂ ਕ੍ਰਮ ਨੂੰ N- ਗ੍ਰਾਮ ਕਿਹਾ ਜਾਂਦਾ ਹੈ, ਜਿੱਥੇ N ਸਟੋਰ ਕੀਤੇ ਤੱਤਾਂ ਦੀ ਸੰਖਿਆ ਹੈ। ਪਿਛਲੀ ਉਦਾਹਰਨ ਵਿੱਚ ਇਹ ਇੱਕ 3-ਗ੍ਰਾਮ (ਟ੍ਰਿਗ੍ਰਾਮ) ਸੀ, ਜਿਸਦਾ ਅਰਥ ਹੈ: ਪਹਿਲੀਆਂ ਦੋ ਐਂਟਰੀਆਂ ਤੀਜੇ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਲਈ ਵਰਤੀਆਂ ਜਾਂਦੀਆਂ ਹਨ। ਇਸ ਅਨੁਸਾਰ, ਇੱਕ 5-ਗ੍ਰਾਮ ਵਿੱਚ, ਪਹਿਲੀਆਂ ਚਾਰ ਐਂਟਰੀਆਂ ਪੰਜਵੇਂ ਅਤੇ ਇਸ ਤਰ੍ਹਾਂ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਦੀਆਂ ਹਨ।

ਡਿਜ਼ਾਈਨਰ ਨੂੰ ਐਨ-ਗ੍ਰਾਮ ਦੇ ਆਕਾਰ ਨੂੰ ਧਿਆਨ ਨਾਲ ਚੁਣਨ ਦੀ ਲੋੜ ਹੈ। ਇੱਕ ਛੋਟੇ N ਨੂੰ ਘੱਟ ਮੈਮੋਰੀ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ ਪਰ ਇਹ ਘੱਟ ਇਤਿਹਾਸ ਵੀ ਸਟੋਰ ਕਰਦਾ ਹੈ। ਉਦਾਹਰਨ ਲਈ, ਇੱਕ 2-ਗ੍ਰਾਮ (ਬਿਗ੍ਰਾਮ) ਕਿੱਕ, ਕਿੱਕ ਜਾਂ ਕਿੱਕ, ਪੰਚ ਨੂੰ ਰਿਕਾਰਡ ਕਰੇਗਾ, ਪਰ ਕਿੱਕ, ਕਿੱਕ, ਪੰਚ ਨੂੰ ਸਟੋਰ ਕਰਨ ਦੇ ਯੋਗ ਨਹੀਂ ਹੋਵੇਗਾ, ਇਸ ਲਈ AI ਸੁਪਰਡੈਥਫਿਸਟ ਕੰਬੋ ਦਾ ਜਵਾਬ ਨਹੀਂ ਦੇਵੇਗਾ।

ਦੂਜੇ ਪਾਸੇ, ਵੱਡੀਆਂ ਸੰਖਿਆਵਾਂ ਨੂੰ ਵਧੇਰੇ ਮੈਮੋਰੀ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ ਅਤੇ AI ਨੂੰ ਸਿਖਲਾਈ ਦੇਣਾ ਵਧੇਰੇ ਮੁਸ਼ਕਲ ਹੋਵੇਗਾ ਕਿਉਂਕਿ ਇੱਥੇ ਬਹੁਤ ਸਾਰੇ ਹੋਰ ਸੰਭਵ ਵਿਕਲਪ ਹੋਣਗੇ। ਜੇਕਰ ਤੁਹਾਡੇ ਕੋਲ ਕਿੱਕ, ਪੰਚ ਜਾਂ ਬਲਾਕ ਦੇ ਤਿੰਨ ਸੰਭਾਵੀ ਇਨਪੁਟਸ ਸਨ, ਅਤੇ ਅਸੀਂ 10-ਗ੍ਰਾਮ ਦੀ ਵਰਤੋਂ ਕੀਤੀ ਹੈ, ਤਾਂ ਇਹ ਲਗਭਗ 60 ਹਜ਼ਾਰ ਵੱਖ-ਵੱਖ ਵਿਕਲਪ ਹੋਣਗੇ।

ਬਿਗ੍ਰਾਮ ਮਾਡਲ ਇੱਕ ਸਧਾਰਨ ਮਾਰਕੋਵ ਚੇਨ ਹੈ - ਹਰੇਕ ਪਿਛਲੀ ਅਵਸਥਾ/ਮੌਜੂਦਾ ਰਾਜ ਜੋੜਾ ਇੱਕ ਬਿਗ੍ਰਾਮ ਹੁੰਦਾ ਹੈ, ਅਤੇ ਤੁਸੀਂ ਪਹਿਲੀ ਦੇ ਅਧਾਰ 'ਤੇ ਦੂਜੀ ਸਥਿਤੀ ਦਾ ਅਨੁਮਾਨ ਲਗਾ ਸਕਦੇ ਹੋ। 3-ਗ੍ਰਾਮ ਅਤੇ ਵੱਡੇ N-ਗ੍ਰਾਮਾਂ ਨੂੰ ਮਾਰਕੋਵ ਚੇਨਾਂ ਵਜੋਂ ਵੀ ਸੋਚਿਆ ਜਾ ਸਕਦਾ ਹੈ, ਜਿੱਥੇ ਸਾਰੇ ਤੱਤ (ਐਨ-ਗ੍ਰਾਮ ਵਿੱਚ ਆਖਰੀ ਨੂੰ ਛੱਡ ਕੇ) ਮਿਲ ਕੇ ਪਹਿਲੀ ਅਵਸਥਾ ਬਣਾਉਂਦੇ ਹਨ ਅਤੇ ਆਖਰੀ ਤੱਤ ਦੂਜੀ। ਫਾਈਟਿੰਗ ਗੇਮ ਦੀ ਉਦਾਹਰਨ ਕਿੱਕ ਐਂਡ ਕਿੱਕ ਸਟੇਟ ਤੋਂ ਕਿੱਕ ਐਂਡ ਪੰਚ ਸਟੇਟ ਵਿੱਚ ਤਬਦੀਲ ਹੋਣ ਦੀ ਸੰਭਾਵਨਾ ਨੂੰ ਦਰਸਾਉਂਦੀ ਹੈ। ਮਲਟੀਪਲ ਇਨਪੁਟ ਹਿਸਟਰੀ ਐਂਟਰੀਆਂ ਨੂੰ ਇੱਕ ਇਕਾਈ ਦੇ ਰੂਪ ਵਿੱਚ ਮੰਨ ਕੇ, ਅਸੀਂ ਲਾਜ਼ਮੀ ਤੌਰ 'ਤੇ ਇਨਪੁਟ ਕ੍ਰਮ ਨੂੰ ਪੂਰੇ ਰਾਜ ਦੇ ਹਿੱਸੇ ਵਿੱਚ ਬਦਲ ਰਹੇ ਹਾਂ। ਇਹ ਸਾਨੂੰ ਮਾਰਕੋਵ ਸੰਪੱਤੀ ਦਿੰਦਾ ਹੈ, ਜੋ ਸਾਨੂੰ ਅਗਲੇ ਇਨਪੁਟ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਅਤੇ ਅਗਲਾ ਕੰਬੋ ਮੂਵ ਹੋਣ ਦਾ ਅਨੁਮਾਨ ਲਗਾਉਣ ਲਈ ਮਾਰਕੋਵ ਚੇਨਾਂ ਦੀ ਵਰਤੋਂ ਕਰਨ ਦੀ ਇਜਾਜ਼ਤ ਦਿੰਦਾ ਹੈ।

ਸਿੱਟਾ

ਅਸੀਂ ਨਕਲੀ ਬੁੱਧੀ ਦੇ ਵਿਕਾਸ ਵਿੱਚ ਸਭ ਤੋਂ ਆਮ ਸਾਧਨਾਂ ਅਤੇ ਪਹੁੰਚਾਂ ਬਾਰੇ ਗੱਲ ਕੀਤੀ। ਅਸੀਂ ਉਹਨਾਂ ਸਥਿਤੀਆਂ ਵੱਲ ਵੀ ਧਿਆਨ ਦਿੱਤਾ ਜਿਨ੍ਹਾਂ ਵਿੱਚ ਉਹਨਾਂ ਦੀ ਵਰਤੋਂ ਕਰਨ ਦੀ ਲੋੜ ਹੈ ਅਤੇ ਜਿੱਥੇ ਉਹ ਵਿਸ਼ੇਸ਼ ਤੌਰ 'ਤੇ ਉਪਯੋਗੀ ਹਨ।

ਇਹ ਗੇਮ AI ਦੀਆਂ ਮੂਲ ਗੱਲਾਂ ਨੂੰ ਸਮਝਣ ਲਈ ਕਾਫੀ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ। ਪਰ, ਬੇਸ਼ਕ, ਇਹ ਸਾਰੇ ਤਰੀਕੇ ਨਹੀਂ ਹਨ. ਘੱਟ ਪ੍ਰਸਿੱਧ, ਪਰ ਘੱਟ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਨਹੀਂ ਹਨ:

• ਪਹਾੜੀ ਚੜ੍ਹਾਈ, ਗਰੇਡੀਐਂਟ ਡਿਸੇਂਟ ਅਤੇ ਜੈਨੇਟਿਕ ਐਲਗੋਰਿਦਮ ਸਮੇਤ ਅਨੁਕੂਲਤਾ ਐਲਗੋਰਿਦਮ
• ਵਿਰੋਧੀ ਖੋਜ/ਸ਼ਡਿਊਲਿੰਗ ਐਲਗੋਰਿਦਮ (ਮਿਨੀਮੈਕਸ ਅਤੇ ਅਲਫ਼ਾ-ਬੀਟਾ ਪ੍ਰੂਨਿੰਗ)
• ਵਰਗੀਕਰਨ ਵਿਧੀਆਂ (ਪਰਸੈਪਟਰਨ, ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਅਤੇ ਸਹਾਇਕ ਵੈਕਟਰ ਮਸ਼ੀਨਾਂ)
• ਪ੍ਰੋਸੈਸਿੰਗ ਏਜੰਟ ਦੀ ਧਾਰਨਾ ਅਤੇ ਮੈਮੋਰੀ ਲਈ ਸਿਸਟਮ
• AI ਲਈ ਆਰਕੀਟੈਕਚਰਲ ਪਹੁੰਚ (ਹਾਈਬ੍ਰਿਡ ਸਿਸਟਮ, ਸਬਸੈੱਟ ਆਰਕੀਟੈਕਚਰ ਅਤੇ AI ਸਿਸਟਮਾਂ ਨੂੰ ਓਵਰਲੇ ਕਰਨ ਦੇ ਹੋਰ ਤਰੀਕੇ)
• ਐਨੀਮੇਸ਼ਨ ਟੂਲ (ਯੋਜਨਾਬੰਦੀ ਅਤੇ ਗਤੀ ਤਾਲਮੇਲ)
• ਪ੍ਰਦਰਸ਼ਨ ਕਾਰਕ (ਵੇਰਵੇ ਦਾ ਪੱਧਰ, ਕਿਸੇ ਵੀ ਸਮੇਂ, ਅਤੇ ਟਾਈਮ-ਸਲਾਈਸਿੰਗ ਐਲਗੋਰਿਦਮ)

ਵਿਸ਼ੇ 'ਤੇ ਔਨਲਾਈਨ ਸਰੋਤ:

1. GameDev.net ਕੋਲ ਹੈ AI 'ਤੇ ਲੇਖਾਂ ਅਤੇ ਟਿਊਟੋਰਿਅਲਸ ਵਾਲਾ ਸੈਕਸ਼ਨਅਤੇ ਫੋਰਮ.
2. AiGameDev.com ਗੇਮ AI ਵਿਕਾਸ ਨਾਲ ਸਬੰਧਤ ਵਿਸ਼ਿਆਂ ਦੀ ਇੱਕ ਵਿਸ਼ਾਲ ਸ਼੍ਰੇਣੀ 'ਤੇ ਬਹੁਤ ਸਾਰੀਆਂ ਪੇਸ਼ਕਾਰੀਆਂ ਅਤੇ ਲੇਖ ਸ਼ਾਮਲ ਹਨ।
3. GDC ਵਾਲਟ GDC AI ਸੰਮੇਲਨ ਦੇ ਵਿਸ਼ੇ ਸ਼ਾਮਲ ਹਨ, ਜਿਨ੍ਹਾਂ ਵਿੱਚੋਂ ਬਹੁਤ ਸਾਰੇ ਮੁਫ਼ਤ ਵਿੱਚ ਉਪਲਬਧ ਹਨ।
4. ਉਪਯੋਗੀ ਸਮੱਗਰੀ ਵੀ ਵੈੱਬਸਾਈਟ 'ਤੇ ਪਾਈ ਜਾ ਸਕਦੀ ਹੈ ਏਆਈ ਗੇਮ ਪ੍ਰੋਗਰਾਮਰ ਗਿਲਡ.
5. Tommy Thompson, AI ਖੋਜਕਾਰ ਅਤੇ ਗੇਮ ਡਿਵੈਲਪਰ, YouTube 'ਤੇ ਵੀਡੀਓ ਬਣਾਉਂਦਾ ਹੈ ਏਆਈ ਅਤੇ ਖੇਡਾਂ ਵਪਾਰਕ ਖੇਡਾਂ ਵਿੱਚ ਏਆਈ ਦੀ ਵਿਆਖਿਆ ਅਤੇ ਅਧਿਐਨ ਦੇ ਨਾਲ।

ਵਿਸ਼ੇ 'ਤੇ ਕਿਤਾਬਾਂ:

1. ਗੇਮ ਏਆਈ ਪ੍ਰੋ ਬੁੱਕ ਸੀਰੀਜ਼ ਛੋਟੇ ਲੇਖਾਂ ਦਾ ਸੰਗ੍ਰਹਿ ਹੈ ਜੋ ਦੱਸਦੀ ਹੈ ਕਿ ਖਾਸ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਨੂੰ ਕਿਵੇਂ ਲਾਗੂ ਕਰਨਾ ਹੈ ਜਾਂ ਖਾਸ ਸਮੱਸਿਆਵਾਂ ਨੂੰ ਕਿਵੇਂ ਹੱਲ ਕਰਨਾ ਹੈ।

ਗੇਮ ਏਆਈ ਪ੍ਰੋ: ਗੇਮ ਏਆਈ ਪੇਸ਼ੇਵਰਾਂ ਦੀ ਕਲੈਕਟਿਡ ਵਿਜ਼ਡਮ
ਗੇਮ ਏਆਈ ਪ੍ਰੋ 2: ਗੇਮ ਏਆਈ ਪੇਸ਼ੇਵਰਾਂ ਦੀ ਕਲੈਕਟਿਡ ਵਿਜ਼ਡਮ
ਗੇਮ ਏਆਈ ਪ੍ਰੋ 3: ਗੇਮ ਏਆਈ ਪੇਸ਼ੇਵਰਾਂ ਦੀ ਕਲੈਕਟਿਡ ਵਿਜ਼ਡਮ

2. ਏਆਈ ਗੇਮ ਪ੍ਰੋਗਰਾਮਿੰਗ ਵਿਜ਼ਡਮ ਸੀਰੀਜ਼ ਗੇਮ ਏਆਈ ਪ੍ਰੋ ਸੀਰੀਜ਼ ਦੀ ਪੂਰਵਗਾਮੀ ਹੈ। ਇਸ ਵਿੱਚ ਪੁਰਾਣੇ ਢੰਗ ਹਨ, ਪਰ ਲਗਭਗ ਸਾਰੇ ਅੱਜ ਵੀ ਢੁਕਵੇਂ ਹਨ।

ਏਆਈ ਗੇਮ ਪ੍ਰੋਗਰਾਮਿੰਗ ਵਿਜ਼ਡਮ 1
ਏਆਈ ਗੇਮ ਪ੍ਰੋਗਰਾਮਿੰਗ ਵਿਜ਼ਡਮ 2
ਏਆਈ ਗੇਮ ਪ੍ਰੋਗਰਾਮਿੰਗ ਵਿਜ਼ਡਮ 3
ਏਆਈ ਗੇਮ ਪ੍ਰੋਗਰਾਮਿੰਗ ਵਿਜ਼ਡਮ 4

3. ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ: ਇੱਕ ਆਧੁਨਿਕ ਪਹੁੰਚ ਹਰ ਉਸ ਵਿਅਕਤੀ ਲਈ ਬੁਨਿਆਦੀ ਪਾਠਾਂ ਵਿੱਚੋਂ ਇੱਕ ਹੈ ਜੋ ਨਕਲੀ ਬੁੱਧੀ ਦੇ ਆਮ ਖੇਤਰ ਨੂੰ ਸਮਝਣਾ ਚਾਹੁੰਦਾ ਹੈ। ਇਹ ਗੇਮ ਡਿਵੈਲਪਮੈਂਟ ਬਾਰੇ ਕੋਈ ਕਿਤਾਬ ਨਹੀਂ ਹੈ - ਇਹ AI ਦੀਆਂ ਮੂਲ ਗੱਲਾਂ ਸਿਖਾਉਂਦੀ ਹੈ।

ਸਰੋਤ: www.habr.com