游戏开发中的人工智能(十):模糊逻辑

版权声明:本文为Jurbo原创文章,转载请加上链接和作者名,标明出处。 https://blog.csdn.net/Jurbo/article/details/75949360

接上文 游戏开发中的人工智能(九):有限状态机

本文内容:开发人员经常把模糊逻辑和有限状态机结合起来使用,甚至取代有限状态机。本章将会学到模糊逻辑为什么优于传统的逻辑技术。


模糊逻辑

在生活中,我们经常会用“有一点”“差不多”“几乎没有”“接近于”这样的描述词,会模糊边界。

在传统逻辑中,非黑即白,就是0或者1,不是0,就是1,不存在其他的情况。而模糊逻辑,可以存在0到1之间的其他情况即灰色地带。比如高矮胖瘦,到底多高才叫高,多矮才叫矮,没有一个明显的界限,可以说有点高,很高,非常高,所以边界(或者说临界条件)是模糊的。0到1之间数值的大小,代表该事件属于0或者1的程度的大小即隶属度。我们可以编写隶属函数来判断隶属度,或者说概率来表示这个状态。隶属度表示程度,它的值越大,表明这个状态的概率越高,反之则表明这个状态的概率越低 。

1965 年,加州柏克莱大学教授 Lotfi Zadeh 写了第一篇论述模糊集合理论的论文。

模糊逻辑的两项基本原则是:

  1. 模糊逻辑的含义:让计算机以一种接近人类行为的方式解决问题
  2. 模糊逻辑的本质:一切都和程度有关

在游戏中使用模糊逻辑

在游戏中可以以各种方式使用模糊逻辑。这里只介绍三个方面,控制、威胁评估、分类。

你可以用模糊逻辑控制队友或其他非玩家角色,也可以用模糊逻辑评估玩家展示的威胁,也可以用模糊罗去区分玩家和非玩家角色。

控制

模糊逻辑可以控制游戏中的单位的运动,使其平滑地通过拐点并绕开障碍物。(利用隶属函数控制物体的转向力)

威胁评估

模糊逻辑在游戏中的另一个可能的应用牵涉到决策,不再是直接的运动控制。

在战争仿真游戏中,计算机军队时常得配置防卫军队,以抵抗潜在威胁的敌军。假设计算机军队知道敌军军队的距离和敌军的规模。距离可以用附近、逼近、远和很远来表示,而规模可以用零星、少量、中等、大型或巨型来表示。

有了这些信息,我们就可以用模糊逻辑来让计算机评估敌军带来的威胁。威胁的成都可以视为无、低等、中等或高等,确认威胁成都之后,计算机就能依次决定并用适当的兵力部署防卫。

分类

假设你想将游戏中的玩家角色和非玩家角色,依照他们的战斗能力予以区分等级。你可以在等级的基础上,还参考玩家角色的体力、被击中的次数、武器熟练度、盔甲等级。最后,你会结合这些因素,做出等级分类,诸如弱不禁风、不费力、平庸、顽强、可怕等。

例如,如果玩家被击中的次数高、盔甲等级普通、体力好、武器熟练度低,等级也许就是平庸。模糊逻辑可以让你决定这种等级。

模糊逻辑基础

概论

模糊流程由三个基本步骤组成,如图10-1:

这里写图片描述

模糊流程由三个基本步骤组成,分别是:

  1. 模糊化:根据隶属度函数从具体的输入得到对模糊集隶属度的过程
  2. 推理方法:从模糊规则和输入对相关模糊集的隶属度得到模糊结论的方法
  3. 去模糊化:将模糊结论转化为具体的、精确的输出的过程

计算流程大致如下

输入(采集明确数据) ——> 模糊化(根据隶属度函数,如分段函数、分布函数,再从具体的输入,得到 隶属度模糊集合(特征数据)) ——> 模糊规则库 + 推理方法 ——> 模糊结论——> 去模糊化

模糊化

模糊系统的输入是明确的数字。在模糊化的过程中,我们要将这些明确的值,根据隶属函数,对应到模糊集中的隶属度。

隶属函数

隶属函数(或译为归属函数),就是把输入变量对应到模糊集合中某个介于0和1之间的值,求出隶属度。如果在给定集合中的隶属度是1,我们就说该输入数据对集合而言是绝对真。如果隶属度是0,则我们说对该集合而言为绝对假。如果隶属度介于0和1之间,则为某种范围的真,即某种程度为真。(例:有点高,即某种程度的高)

探讨模糊逻辑的隶属函数之前,我们先谈传统逻辑比如说布尔逻辑的隶属函数。图10-2 所示的就是布尔逻辑的隶属函数(归属函数)。

这里写图片描述

观察 图10-2 可知,当输入数据小于 x0 时,则结果取假(false),而当输入数据大于 x0 时,结果取真(true)。没有中间值,即传统逻辑中的非黑即白,非零即1,非假即真。举个例子,假如 x0=170 斤,则任何人超过 170 斤 就是超重,低于 170 斤 的就是不超重,即使某人 169 斤,仍然被视为不超重。这对现实生活中的判断而言很不合理,但是如果模糊隶属函数,则可以让我们实现从 false 到 true 或者说从不超重到超重之间的逐渐转移。

图10-3 是模糊逻辑的隶属函数图。如下所示。

这里写图片描述

从图10-3 中可以看出,0到1之间的逐渐变化。小于 x0 时,则结果取假(false)即隶属度为0,而大于 x1 的值,结果取真(true)即隶属度为1。介于 x0 到 x1 之间的值,隶属度则呈线性变化。

使用直线的点斜式方程,可以写出表示此隶属度函数的方程式,如下所示。

这里写图片描述

回到体重例子。让该函数代表超重隶属。令 x0 等于175,而 x1 等于 195。如果某人重175斤,根据该隶属函数,他的隶属程度为0,也就是不超重。如果他重185 斤,则根据计算,他的隶属度为 0.5,也就是有点超重。

一般而言,我们关注的是输入变量根据隶属函数,对应到模糊集合中的程度。例如,我们想知道某人的体重是超重、太瘦、或者理想。就此而言,我们要设立模糊集合,这样我们才能根据隶属函数,观察它的隶属度是落在哪个区间的,即代表的是什么程度。模糊集合如图10-4 所示。

这里写图片描述

有了这样的集合,我们就能在这三个集合里,计算每个输入值的隶属度。如果一个人太瘦的隶属度为0,理想的隶属度为0.75,超重的隶属度为0.15。那我们可以推论,此人的体重是理想的,即75%(0.75)的隶属度。

三角形归属函数也是除之前的直线型隶属函数(图10-3)之外,常用的隶属函数之一,如图 10-5 所示。

这里写图片描述

参考图10-5,此三角形隶属函数的方程式如下所示:

这里写图片描述

另一种常用的隶属函数是梯形隶属函数,如图10-7 所示。

这里写图片描述

梯形隶属函数的方程式如下所示:

这里写图片描述

到目前而言,我们讨论了3种最常用的线性隶属函数:直线型隶属函数(图10-3),三角形隶属函数(图10-5),梯形隶属函数(图10-7)。在要求较高精度或者有非线性需求时,有时候也会用到高斯曲线或者 S 形曲线。

例10-1 是我们讨论过的各个隶属函数的程序表示。

//例10-1:模糊逻辑中的隶属函数

//图10-3对应的直线型隶属函数
double FuzzyGrade(double value,double x0,double x1)
{
    double result=0;
    double x=value;

    if(x<=x0)
        result=0;
    else if(x>=x1)
        result=1;
    else
        result=(x/(x1-x0)) - (x0/(x1-x0));

    return result;
}

//图10-5对应的三角形隶属函数
double FuzzyTriangle(double value,double x0,double x1,double x2)
{
    double result=0;
    double x=value;

    if(x<=x0)
        result=0;
    else if(x==x1)
        result=1;
    else if( (x>x0) && (x<x1) )
        result=(x/(x1-x0)) - (x0/(x1-x0));
    else
        result=(-x/(x2-x1)) + (x2/(x2-x1));

    return result;
}

//图10-7对应的梯形隶属函数

double FuzzyTrapezoid(double value,double x0,double x1,double x2,double x3)
{
    double result=0;
    double x=value;

    if(x<=x0)
        result=0;
    else if( (x>=x1) && (x<=x2) )
        result=1;
    else if( (x>x0) && (x<x1) )
        result=(x/(x1-x0)) - (x0/(x1-x0));
    else
        result=(-x/(x3-x2)) + (x3/(x3-x2));

    return result;
}

想求出给定的输入值在特定集合内的隶属度,只需要调用例 10-1 的函数之一,并传递和该函数形状定义相关的数值和参数即可。

藩篱函数

藩篱函数有时候可以用于修改隶属函数所返回的隶属度。隶属函数主要提供其他的语汇素材,让你能在其他的逻辑运算中结合使用。两个常用的藩篱函数是 VERY( ) 和 NOT_VARY( ),其定义如下:

这里写图片描述

这里的 Truth(A) 就是 A 在某个模糊集合中的隶属度。隶属函数可以有效地改变隶属函数的形状。例如,把隶属函数用到线性隶属函数上时,会使隶属函数的线性部分变成非线性。

藩篱函数在模糊系统中不是必要的。我们可以构建隶属函数满足需要,不需要额外地再使用藩篱函数。在此提及,只是因为藩篱函数时常在模糊逻辑的领域里出现。

模糊规则

将明确的输入都模糊化后,接着要做的是构建一组规则,以某种逻辑方式结合输入数据,生成某些输出结果。

模糊公理

我们要能够处理交集(AND)、联集(OR),以及补集(NOT)。对于模糊变量来说,这些逻辑运算符的定义如下所示:

这里写图片描述

这里的 Truth(A)就是 A 在某模糊集合里的隶属度,其值介于0和1之间。Truth(B)则是 B 在某模糊集合里的隶属度。由此可见,OR 逻辑运算符被定义为操作数中的最大值,AND 逻辑运算符被定义成操作数中的最小值,NOT 运算符则是 1 减去 操作数的隶属度。

举个例子,假定某个对超重的隶属度是 0.7,对高的隶属度是0.3,则前述定义的逻辑运算符的结果会如下所示:

超重 AND= MIN0.7,0.3=0.3
超重 OR= MAX0.7,0.3=0.7
NOT 超重 = 1-0.7=0.3
NOT= 1-0.3=0.7
NOT(超重 AND 高)= 1-MIN0.70.3=1-0.3=0.7

模糊逻辑运算符写成程序的话,则如例10-2 所示。

//例10-2:模糊逻辑运算符函数

double FuzzyAND(double A,double B)
{
    return MIN(A,B);    
}
double FuzzyOR(double A,double B)
{
    return MAX(A,B);
}
double FuzzyNOT(double A,double B)
{
    return 1.0-A;
}

模糊规则的评估运算

在传统逻辑的布尔系统中,每条规则会逐一运算,直到有条规则为真为止,然后就开始运行此结论。

在模糊逻辑的系统中,所有的规则都会同时进行运算,每条规则都会运行(因为每条规则都是部分真),然而,运行的强度或程度则各不相同。每条规则的前提的逻辑运算结果,会产生该规则结论的强度。换句话说,每条规则的强度代表的是输出的模糊集合中的隶属程度。

举个例子。我们使用模糊逻辑系统运算某生物是否应该攻击玩家。输入变量是距离,生物的健康状况,以及玩家的等级。每个变量的隶属函数如图10-10 所示。

这里写图片描述

此例中的输出行动可以是逃跑、攻击或什么也不做。我们可以写出类似下列语句的规则。

if(位于肉搏战距离内 AND 健康)AND NOT 坚强 then 攻击
if(NOT 位于肉搏战距离内)AND 健康 then 什么也不做
if(NOT 位于距离外 AND NOT 健康)ANDNOT 懦弱) then 逃跑

你也可以设定其他规则来处理其他的可能性。在你的游戏中,所有的规则都会运算,并获得每个输出结果的隶属度。每个输入变量都有隶属度后,你可能会得到如下所示的输出结果:

攻击的隶属度为0.2
什么也不做的隶属度为0.4
逃跑的隶属度为0.7

模糊规则如例10-3 所示,可以发现和传统的 if-then 形式的规则,有显著的差异。

degreeAttack=MIN( MIN (degreeMelee,degreeUninjured),1.0-degreeHard );

degreeDoNothing=MIN( (1.0-degreeMelee),degreeUninjured);

degreeFlee=MIN(MIN ((1.0-degreeOutOfRange),(1.0-degreeUninjured)),(1.0-degreeWimp) );

输出的程度代表的是每条规则的强度。解读输出结果的做法是以最高程度的行动为行动依据。就此例而言,最终行动是逃跑(因为逃跑的隶属度为0.7)。

反模糊化

当你想用精确数值作为模糊系统的输出数据时,就需要反模糊化的过程。

在前面我们说过,每条规则都会得到某个输出模糊集合中的隶属程度。就前例来说,假设此时不止要求出某种限定的行动的概率(什么也不做、逃跑或攻击),你还想输出结果,求出该生物采取行动时速率应该多大。例如,如果输出的行动是逃离,该生物是走着逃离,还是跑着逃离,而离开的速度有多快?要取得精确数值时,我们必须把输出强度聚集起来,也就是说需要定义输出隶属函数。

什么也不做、逃跑、攻击的输出隶属函数如图 10-11 所示。

这里写图片描述

利用前面讨论过的数值输出(攻击的隶属度为0.2,什么也不做的隶属度为0.4,逃跑的隶属度为0.7),最后我们得到合成的隶属函数,如图10-12 所示。

这里写图片描述

为了得到合成的隶属函数,每个输出集合都按其规则强度,即所得到的输出隶属程度裁剪出来。然后,所有的输出集合再利用联集结合起来。

此时,我们只有输出的隶属函数,还没有精确数字。我们可以利用很多方法,从这样的输出模糊集合中得到精确数字。最常用的方法之一是,寻找输出模糊集合所占面积的几何中心,并以该中心的水平轴坐标值,作为精确输出值。这样就可以获得所有规则之间的妥协值,即单一输出数字,其实是所有输出隶属度的加权平均值。

要找出这种输出函数的中心,你得利用数值积分手段算出曲线围成的面积,或者可以想象成多边形,再用计算机以几何方法找到中心,也可以使用其他手段

无论如何,找面积的中心是很耗费运算能力的,尤其是在游戏中运算次数会更多。所幸,有较为简单的方法可以利用,即单值输出隶属函数。

单值输出隶属函数,本质上是事先就反模糊化好的输出函数。例如,我们可以给每个输出行为指派速率,不如逃离是-10,什么也不做是1,攻击是10。就我们的例子而言,逃离行为最后所得的速率是 -10 乘以 0.7(逃跑的隶属度为0.7),即-7 为逃离速率。此时,计算所有输出值聚合起来的结果,只需要简单的加权平均值就行了,而不用再求中心了。

一般而言,假设 μ 是某输出几何为真的程度,x 为和此输出几何相关的精确单值,最最后聚合而反模糊化的输出结果是:

这里写图片描述

就我们的例子而言(攻击的隶属度为0.2,什么也不做的隶属度为0.4,逃跑的隶属度为0.7。逃离是-10,什么也不做是1,攻击是10),最后所得结果如下:

输出值= [ 0.7*(-10) + (0.4)*1+(0.2)*(10) ] / (0.7+0.4+0.2) 
阅读更多 登录后自动展开
想对作者说点什么? 我来说一句

没有更多推荐了,返回首页