设计人工智能系统的蒙特卡罗方法实例

Question

根据我从不同来源读到的资料，有人说蒙特卡罗方法就像是随机抽取样本，然后测试不同的解决方案，然后选择最佳解决方案。我并不完全理解这在实际的人工智能中是如何工作的。你能给我举个简单的例子吗？它是如何有效的？是否有可能将其与其他现有算法并行使用，专门用于非确定性游戏AIs？

Answer 1

蒙特卡罗方法指的是创建随机数来模拟某些场景。就其本身而言，它与人工智能无关。

相反，您正在寻找的可能是Evolutionary Computing、Genetic Algorithms或Genetic Programming，在这些解决方案中，一个问题的不同解决方案正在使用生物进化的原理进行创建和进化。这使得大量使用随机数。

例如，参见：http://en.wikipedia.org/wiki/Genetic_algorithm

这些技术可以很好地应用于并行计算，并且非常适合于非确定性游戏人工智能。

Answer 2

当您使用蒙特卡洛(MC)设计AI时，您可以像使用每个优化函数一样进行设计：

只需随机生成解决方案并选择最佳方案即可。

示例：

你有一个塔防御游戏，并不一定希望你的敌人总是采取最好的方式通过你的迷宫。只需为每个个体生成一些路径，并从N个采样中选择最好的一个。现在你的敌人将选择不同的，不坏的，不太好的方式通过迷宫。

你也可以使用遗传算法来解决这个问题，这是一种类似MC的优化算法。

进化计算或遗传编程是完全不同的东西，除非你知道自己在做什么，否则我不会用它们来制造人工智能。

在游戏中制作良好的人工智能通常不是围绕着使用“最佳”解决方案，而是一个有趣的解决方案。如果你使用dijkstra，而你所有的敌人都使用相同的路径，这可能是有效的，但可能不是很有趣。