[发明专利]基于AI Designer的人工智能引擎

权利要求书

1.基于AIDesigner的人工智能引擎，

其特征在于包括以下步骤：

步骤一，通过游戏世界的态势和玩家输入，完成决策制定；

步骤二，寻找最优决策路径的算法；

步骤三，通过GOAP方式进行人工智能路径规划；

所述人工智能拥设有初始状态和他需要达到的目标，

所述人工智能设有能通过优先级或当前状态选择的一组目标，

所述人工智能决定一个动作序列来满足当前目标，

所述人工智能计划出类似路径的能最简单达到目标状态的动作序列。

2.根据权利要求1所述的基于AIDesigner的人工智能引擎，其特征在于：所述步骤一中，

1)接收游戏的态势和玩家输入；

2)提取低阶语义信息，根据每个状态的先决条件映射到响应的状态；

3)根据响应状态的产生式规则生成动作方案，既通过SFP算法，复制目前游戏系统的状态，对动作进行优化，选择一个优选的动作方案；

4)执行响应动作序列并输入游戏，进入下一步循环；

根据规则人为将原始数据映射到状态完成特征工程和识别，根据产生式系统将状态映射到响应的动作完成决策制定。

3.根据权利要求1所述的基于AIDesigner的人工智能引擎，其特征在于：所述步骤二中，

1)使用A-STAR算法，在静态网格中寻找最优决策路径；

或是，使用D-STAR算法，在动态网格中寻找最优决策路径；

2)通过群体行为算法寻路有些游戏中会需要角色群体的共同寻路功能；

3)结合DFS算法与BFS算法，完成最优决策路径的找寻。

4.根据权利要求3所述的基于AIDesigner的人工智能引擎，其特征在于：所述A-STAR算法，配置估价函数f(n)＝g(n)+h(n)，其中f(n)是节点n从初始点到目标点的估价函数，g(n)是在状态空间中从初始节点到n节点的实际代价，h(n)是从n到目标节点最佳路径的估计代价；

所述A-STAR算法，配置有Open表，Open表中节点的优先级是依据f(n)的大小排列，f(n)值越小，被搜索到的优先级越高；

其中，函数h(n)，不能大于节点n到目标节点的实际代价；

如果h(n)＝0，则A-STAR算法退化为Dijkstra算法；

如果h(n)恰好等于节点n到目标节点的实际代价，则A-STAR算法探索的节点恰好就是最优路径上的节点。

5.根据权利要求3所述的基于AIDesigner的人工智能引擎，其特征在于：所述D-STAR算法，为A-STAR算法的动态延生，

在未知环境或有动态障碍物出现时，先用Dijkstra算法或A-STAR算法从目标点向初始点进行反向搜索，然后机器人从起点向目标点移动，当遇到动态障碍物时，只进行局部更改。

6.根据权利要求1所述的基于AIDesigner的人工智能引擎，其特征在于：所述步骤三中，通过GOAP方式，提供给人工智能一系列可能的动作作为对这个游戏世界的描述，为人工智能配置每个动作使用的先决条件和行动带来的影响。

7.根据权利要求1所述的基于AIDesigner的人工智能引擎，其特征在于：所述步骤三中，GOAP方式采用反向链接搜索，从要实现的目标开始，找到能实现目标的对应动作，寻找刚才动作的先决条件，直到达到你的当前状态。

8.根据权利要求1所述的基于AIDesigner的人工智能引擎，其特征在于：所述步骤三中，GOAP方式把目标加到未解决事件列表；对于每个解决事件，找到达成事件的动作；如果动作的先决条件已经满足，则增加动作到计划中，往回推送需要达到先决条件的动作到计划中，否则，添加该先决条件到未解决时间中。