随机决策算法

Question

我正在做一个简单的人工智能，我真的是这个领域的新手。我需要的是一种算法，可以根据一些参数做出某种决策；但要有一点随机性。到目前为止，我一直在做的是生成一个随机数，并基于我获得的不同值；采用不同的执行路径。不知何故，我认为有一种更好的方法来做这类事情。你能给我一些建议吗？

Answer 1

我不认为有比你所做的更好的方法，因为问题描述相当模糊，并且它实际上是人工智能问题还是模拟问题还不清楚。

对于决策部分，通常可以有一个简单的启发式系统(基于您对正在建模的行为的直观理解)，该系统是一个条件语句序列，其中可能包含一些随机因素，以使其稍有不同。你可以有一个加权平均系统，它挑选几个选项，根据感知的质量对它们进行排名，然后随机挑选一个选项，同时偏向更好的值。(这在遗传算法圈中称为轮盘赌轮选择或fitness proportionate selection，但在GAs之外也非常有用。)

对于模拟部分，您通常希望对流程进行建模，然后引入随机性来对流程中更微妙的部分进行建模。这意味着清楚地定义你的输入(反手力量，球的方向，...)和你的输出(球运动矢量？)，并考虑它们之间的关系。这意味着您将得到一些已知值的输出，然后您可以使用随机数生成器对其进行修改。如果你试图模拟一个人的选择，而不仅仅是一个物理模拟，事情就会变得更加复杂，因为这通常优先于所有其他输入。

我可以从一个简单的例子开始，球员AI选择他们想要击球的地方。我计算出球的预期方向作为一个向量，它将球准确地送到计划的地方。然后，系统根据球的方向、速度、球员的能力等计算难度分数，从0%到100%。我生成一个“不准确”修饰符，它是一个介于0%和难度%之间的随机数字，这意味着完全容易的投篮将是完全准确的，而半困难的投篮将在0%和50%的准确率之间变化。然后我计算一个随机归一化的单位长度3D向量，用不精度值缩放它，并将其添加到预期的方向。这意味着更难的投篮往往会飞得离目标更远。

Answer 2

与大多数关于随机性的问题一样，问一问你正在寻找的是不是真正的随机性，即白噪声或湍流(也称为Perlin Noise)，这是值得的。一般来说，在大多数领域中，你更有可能从湍流中获得比白噪声更“自然”的行为。

Answer 3

根据结果与最佳的、“期望的”状态或结果的接近程度，对每个执行路径进行评分。使您的算法根据以前决策的平均得分来选择其未来的执行路径，从而为得分最高的决策提供更大的结果概率。这样，看起来你的算法不仅在学习，而且还在随机探索其他可能性，但概率比做看起来最好的事情要低。当然，您可以使其自适应，不仅要考虑每个决策路径的得分，还要考虑其增长或收缩的速度。如果一个决策开始是好的，但经过多次迭代后，它的得分越来越低，应该更多地避免它，以支持得分有上升趋势的另一个决策。