我正在制作一个简单的 AI，我对这个领域真的很陌生。我需要的是一种算法，可以根据一些参数做出某种决定；但带有一点随机性。到目前为止，我一直在做的是根据我得到的不同值生成一个随机数；采取不同的执行路径。我不知何故认为有一种更好的方法来做这种事情。可以指点一下吗？
【问题讨论】：
标签： algorithm artificial-intelligence
我认为没有比你正在做的更好的方法了，因为问题描述相当模糊，具体是人工智能问题还是模拟问题也不清楚。
对于决策部分，通常最好有一个简单的启发式系统（基于您对被建模行为的直观理解），该系统是一系列条件语句，可能带有一些随机因素来稍微改变它。你可以有一个加权平均系统，它选择几个选项，根据感知质量对它们进行排名，然后随机选择一个选项，同时偏向更好的值。 （这在遗传算法界称为轮盘赌选择或fitness proportionate selection，但在 GA 之外也非常有用。）
对于模拟部分，您通常希望对过程进行建模，然后引入随机性来对过程中更微妙的部分进行建模。这意味着明确定义您的输入（反手力量、球方向……）和输出（球的移动矢量？），并考虑它们之间的关系。这意味着您会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。如果您尝试模拟人类的选择而不仅仅是物理模拟，事情会变得更加复杂，因为这通常优先于所有其他输入。
我可能会从一个简化的例子开始，即玩家 AI 选择他们想要将球击到的位置。我将球的预期方向计算为一个矢量，该矢量将球准确地发送到计划的位置。然后系统根据球的方向、速度、球员的能力等计算从 0% 到 100% 的难度分数。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，这意味着非常容易射击将是完全准确的，而半难度射击将在 0% 和 50% 之间变化。然后我计算一个随机归一化的单位长度 3D 向量，按不准确值对其进行缩放，并将其添加到预期方向。这意味着更困难的射击往往会飞得更远。
【讨论】：
与大多数关于随机性的问题一样，有必要询问您正在寻找的是真正的随机性，即白噪声还是湍流（又名Perlin Noise）。通常，在大多数领域中，相比白噪声，您更有可能从湍流中获得看起来更“自然”的行为。
【讨论】：
根据结果与最佳“期望”状态或结果的接近程度，为每个执行路径打分。让您的算法根据先前决策的平均分数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。这样一来，您的算法似乎不仅在学习，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，您可以通过不仅考虑每条决策路径的得分，还考虑其增长或收缩率来进行自适应。如果一个决策开始是好的，但经过多次迭代，它的分数越来越低，应该更频繁地避免它，而支持另一个分数有增长趋势的决策。
【讨论】：