结合行为树与Q-learning优化UT2004中agent行为决策

摘要：

针对FPS游戏UT2004中的NPC(Non-Player-Character,即非玩家角色)的行为决策不够灵活多变,不够智能等问题,结合行为树与Q-learning强化学习算法,提出了一种预处理与在线学习结合的方式优化NPC行为决策的方法.通过在行为树上的强化学习,NPC行为决策更为灵活、智能,即human-like.实验结果表明了该方法的有效性与可行性.

关键词：行为决策、游戏人工智能(AI)、Q学习、强化学习、行为树

所属期刊栏目：52

分类号：TP393(计算技术、计算机技术)

资助基金：国家科技支撑计划项目2014BAK08B01;湖南省战略性新兴产业科技攻关项目2013GK4056;湖南省科技计划项目2013WK3023

在线出版日期：2016-03-25（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：113-118