游戏编程中的人工智能技术：神经网络入门

ABSTRACT

CSDN 剪藏，实为 Mat Buckland《游戏编程中的人工智能技术》（AI Techniques for Game Programming）神经网络章节的中译连载书摘。从零讲人工神经网络：生物神经元启发、感知器数学模型（权重求和 + 激励函数）、前馈网络结构，并以「聪明扫雷机」工程演示用遗传算法（而非反向传播）演化网络权重的完整实现。

核心要点

• 生物启发：神经细胞 = 树突接收信号、细胞体求和、超阈值则轴突兴奋输出；大脑的特点是并行、无监督学习（Hebb 可塑性）、容错、擅长归纳推广。
• 人工神经元模型：激励值 a = Σ(wi·xi)，超过阈值输出 1 否则 0（阶跃函数）；权重正负对应激发/抑制作用。
• 偏移（bias）技巧：把阈值 t 视为「恒乘输入 -1 的权重」，每个神经元多挂一个权重，阈值即可随权重一起演化，无需单独处理。
• 前馈网络：输入层 → 隐藏层（一层通常够用）→ 输出层；规模尽量小以保证速度；手写数字识别是典型入门应用（8×8 格点 64 输入）。
• Sigmoid 激励函数：1/(1+e^(-a/p))，把阶跃输出平滑为 0~1 连续值，使网络可输出模拟量（如扫雷机左右履带速度）；p 控制曲线陡峭度。
• 输入设计经验：输入个数越少网络越快；所有输入要规范化到相近量级（如向量归一化），必要时以 0 为中心重定标；自己预算输入特征（如点积角度）可大幅加速演化，代价是 CPU。
• 扫雷机工程：4 输入（视线向量 + 指向最近地雷的向量，均归一化）→ 1 隐藏层 10 神经元 → 2 输出（左右履带力）；适应度 = 找到的地雷数。
• 遗传算法演化权重：实数编码（逐层展开权重向量，含 bias）；轮盘赌选择 + 精英保留；突变为按率扰动（±dMaxPerturbation）；群体 30、杂交率 0.7、突变率 0.1、每代 2000 帧。
• 改进一：按神经细胞边界切分的两点杂交（CalculateSplitPoints），避免在单个神经元权重中间切断造成断裂性破坏，效果优于任意点单点杂交。
• 改进二：输入从 4 个精简到 1 个——视线向量与目标向量的点积（转角大小）× Vec2DSign（左右符号），演化速度显著提升。

关键实体与概念

人工神经网络、感知器、激励函数、Sigmoid、bias 偏移、前馈网络、遗传算法、实数编码、轮盘赌选择、精英保留、神经演化、输入规范化、点积

关联概念

（无合适概念页，留空）

来源回溯

• 原始文件：raw/gamedev/游戏编程中的人工智能技术-csdn博客.md（evernote/FW-游戏3研发技术 导入）

时效性评估

• 仍有效：感知器数学、bias 内化、输入规范化、遗传算法演化权重（神经演化，NEAT 思路前身）的讲解仍是优秀的入门材料。
• 已过时：2000 年代初的 C++/GDI 代码与 Win32 工程形态陈旧；现代游戏 AI 主流是行为树/GOAP/状态机（决策层）与 ML-Agents 等强化学习（学习型 NPC），反向传播 + GPU 框架早已取代手写 GA 训练小网络。