设计AI的蒙特卡罗方法示例

Question

根据我在不同来源阅读的内容，据说蒙特卡罗方法就像获取随机样本，然后测试不同的解决方案并选择最佳解决方案。我并不完全理解它在实际AI中的实际效果。你能给我一些简单的例子吗？它有效吗？是否可以将其与其他现有算法并行使用，专门用于非确定性游戏AI？

Answer 1

蒙特卡罗方法是指为模拟某些场景创建随机数。 它本身与人工智能无关。

您正在寻找的可能是Evolutionary Computing，Genetic Algorithms或Genetic Programming，其中使用生物进化的原则创建和演变问题的不同解决方案。这大量使用随机数。

例如，请参阅：http://en.wikipedia.org/wiki/Genetic_algorithm

这些技术可以很好地用于并行计算，非常适合非确定性游戏AI。

Answer 2

当您使用蒙特卡罗（MC）设计AI时，您就像使用每个优化功能一样：

随机生成解决方案并选择最佳解决方案。

示例：

你有一个塔防游戏，并不一定希望你的敌人总是在你的迷宫中采取最好的方式。只需为每个人生成一些路径，然后从N个样本中选择最佳路径。现在你的敌人将选择不同的，不坏的，不是太好的方式通过迷宫。

你也可以使用遗传算法，它是像MC一样的优化算法。

进化计算或遗传编程是完全不同的东西，除非你知道你在做什么，否则我不会用它来制作AI。

在游戏中制作优秀的AI通常不会围绕使用“最佳”解决方案，而是一个有趣的解决方案。如果你使用dijkstra并且你的所有敌人使用相同的路径，那可能是有效的，但可能不是很有趣。