Игровой клуб GaminatorSlot содержит много обучающихся компонентов, которые являются почти полностью работоспособными. При использовании этого анимата предпринимаются попытки усвоить с помощью обучения различные возможности, рассматриваемые в данной книге, на основе другого подхода, но эти попытки оканчиваются неудачей. В каждом из таких случаев можно воспользоваться различными приемами. представленными в настоящей главе, для выявления и устранения причин нарушения в работе. Возникающие проблемы связаны с наличием недостатков в проекте, а не ошибок в реализации.

В этой части представлены последние примеры практического применения технологий ИИ в играх на выживание и показано, как реализовать все существующие возможности в рамках одной и той же архитектуры. В результате создается правдоподобный анимат, способный соревноваться с игроками-людьми, проявляя вполне реалистичное поведение. Такие достойные конкуренты имеют для участников игры большую развлекательную ценность по сравнению с ботами, созданными с использованием классических игровых средств ИИ.

Краткий ретроспективный обзор

Особенности каждого метода и каждой формы поведения можно проще понять после того, как определен каждый из компонентов системы.

Методики

Для реализации средств управления роботом широко применяется подход, в основе которого лежит архитектура обобщения. Несмотря на все его ограничения, этот подход предоставляет разработчикам игр много преимуществ, в числе которых можно назвать явное управление и простоту проекта.

Одной из категорий задач ИИ является обучение с подкреплением. Обучение с подкреплением может применяться для осуществления широкого спектра проектов, поскольку сам лежащий в его основе подход, основанный на оценочной обратной связи, является очень перспективным. Но в некоторых ситуациях возникают сложности, обусловленные недостатками самой концепции вознаграждения. Поэтому должны быть предусмотрены особые алгоритмы, позволяющие учитывать наличие сигналов подкрепления и адаптировать представление соответствующим образом. Спектр задач, которые могут быть решены с помощью обучения с подкреплением, очень широк, поэтому разработано также много разных типов алгоритмов, применимых для реализации самых разнообразных проектов.