行为树(BTS)的发现影响了游戏中的人工智能(AI)领域,通过提供游戏设计人员可管理的非玩家字符(NPCS)逻辑的灵活性和自然表示。尽管如此,更好的压力更好的NPCS AI-Agents强迫手工BTS的复杂性变得勉强易于易于出错。另一方面,虽然许多刚刚推出的在线游戏遭受了玩家短缺,但具有广泛功能的AI的存在可能会增加球员保留。因此,为了处理上述挑战,最近的领域的趋势专注于自动创建AI-Agents:从深层和加固技术到组合(约束)优化和BTS演化的技术。在本文中,我们提出了一种新的半自动构建AI-AGENT的方法,通过在源和BT游戏玩法之间的发达的相似度量下调整和调整专家创建的BT来模仿和概括的人类游戏。为此,我们配制了混合离散 - 连续优化问题,其中BT的拓扑和功能变化在数值变量中反映,并构建了专用的杂化 - 成胸型。呈现方法的表现在实验上验证了原型实时策略游戏。进行实验确认了提出的方法的效率和观点,该方法将适用于商业比赛。
translated by 谷歌翻译