Регулировка блюмовского механизма: Скачать инструкции по эксплуатации, монтажу и регулировке

На Рисунке 2 изображен Исследования DDA, проведенные за последние десять лет, в том числе журналы и доклады на конференциях, диссертационные работы и главы книг за каждый год.

3. Классификация подходов DDA

В литературе предлагаются различные методы DDA (Таблица 2).Один общий аспект всех методов — это требование измерить (неявным или явным образом) уровень сложности, с которой сталкивается игрок в любой данный момент. Эти меры оцениваются эвристическими функциями, также называемыми функциями вызова.

значение для любого игрового состояния, которое указывает на уровень сложности игры, которую испытывает игрок в любой данный момент. Типичными примерами используемых эвристик являются показатели успешности попаданий, количество выигранных и проигранных фигур, жизненные очки, время выполнения поставленных задач или любые другие показатели для подсчета очков в игре.

Есть несколько способов классификации подходов к DDA.

3.1. Вероятностные методы

Было проведено исследование структуры, которая рассматривает DDA как проблему оптимизации [18]. Такой подход позволил максимально увеличить вовлеченность игроков на протяжении всей игры. Они смоделировали развитие игрока на вероятностном графике (рис. 3), который максимизировал участие в качестве четко определенной целевой функции.

Для ее решения использовалась высокопроизводительная методика динамического программирования.Они оценили реализацию DDA, используя мобильную игру от Electronic Arts, Inc. Группа, обработанная DDA, показала явное увеличение основных показателей вовлеченности, например, общего количества воспроизведений и продолжительности игры, при этом оставаясь нейтральной для дохода при оценке с контрольной группой. это не включило DDA. Эта структура может быть распространена на множество игровых жанров. DDA может быть успешно применен к другим жанрам, если построена соответствующая модель прогрессии. Состояния для игр на основе уровней могут быть определены двумя важными аспектами: испытанием и уровнем.Для более сложных игр, имеющих множественные или нелинейные прогрессии (например, ролевые игры), также могут быть определены состояния, имеющие различные измерения. Тогда график будет более сложным, поскольку будет включено больше состояний и ссылок.

Segundo et al. [19] предложили создать метод управления параметрами для DDA, цель которого — повысить удовольствие от игры. Предлагаемый метод использует вероятностные вычисления, которые могут быть развернуты в функции вызова. Выборке студентов был предоставлен вопросник, чтобы оценить, существует ли значительная статистическая разница в понимании сложности игры, игрового процесса и желания часто играть с использованием метода и без него.Результаты показали, что версия DDA показала лучшие результаты, чем другие версии, в отношении игрового процесса и желания часто играть.

В исследовании [20] было предложено использовать для DDA методы как онлайн, так и офлайн. В автономном обучении был применен генетический алгоритм для создания нечеткой базы правил для игровой тактики во время игры, чтобы манипулировать управляемыми компьютером противниками. В онлайн-обучении использовался вероятностный метод адаптации игровых стратегий к игроку.Уровень сложности игры можно регулировать в соответствии с предпочтениями игрока, ищущего вызов. Результаты продемонстрировали превосходные возможности разработанных автономных баз правил и эффективность предложенного метода онлайн-обучения для DDA.

Bunian et al. [21] разработали метод моделирования с использованием данных, полученных от игроков, участвующих в ролевой игре (RPG). Предлагаемый метод имеет 2 функции: (i) скрытая марковская модель игрока (HMM), отслеживающая игровые черты для моделирования индивидуальных различий и (ii) использование выходных данных HMM для генерации характеристик поведения для классификации реальных характеристик игроков, которые Включите опыт наряду с большой пятеркой личностных качеств. Результаты показали способность предсказывать некоторые черты личности, такие как сознательность и компетентность. Модель логистической регрессии была обучена с учетом состава только что созданных поведенческих характеристик для 66 участников. Использовалась трехкратная перекрестная проверка, поскольку набор данных был небольшим. Точность прогнозов для категорий «добросовестность» и «экспертиза» составила 59,1% и 70,13% соответственно.

Байесовские методы оптимизации использовались в исследовании [22] для разработки игр, которые максимально вовлекают пользователей.Участникам платили за попытку поиграть в течение короткого периода времени, после чего они могли продолжить играть без оплаты или выйти добровольно. Вовлеченность измерялась их настойчивостью, оценкой продолжительности игры других игроков и опросом после игры. Используя оптимизацию процесса на основе суррогатов по Гауссу, были проведены эксперименты для определения особенностей игрового дизайна, особенно тех, которые влияют на сложность, ведущую к максимальному вовлечению. Совпадающие результаты показали, что явные манипуляции с трудностями были эффективны в изменении взаимодействия только с помощью скрытых манипуляций, демонстрируя, что самооценка навыков пользователем имеет решающее значение.

Хинтце, Олсон и Леман [23] предложили идею ортогональной коэволюции и подтвердили ее эффективность в игре, основанной на браузере, модифицированной на основе научного моделирования. Результаты показали, что развивающиеся противники вместе с развитыми друзьями могут привести к беспрепятственному DDA и позволить игрокам испытать более разнообразные ситуации. Они пришли к выводу, что такая ортогональная коэволюция может быть многообещающей для решения игровых проблем.

3.2. Однослойные и многослойные персептроны

В исследовании Педерсена, Тогелиуса и Яннакакиса [24] изучалась взаимосвязь между параметрами дизайна уровней платформенных игр, опытом игроков и индивидуальными характеристиками игры.Изученные конструктивные параметры имели отношение к размеру и размещению зазоров уровня и наличию изменения направления; а составляющие опыта игрока включают разочарование, веселье и вызов. Модель нейронной сети, которая отображала между характеристиками игрового поведения, параметрами дизайна уровней и эмоциями игрока, была обучена с использованием данных игрового сеанса и обучения эволюционным предпочтениям.

Данные были получены из Интернета. Пользователи были введены через сообщения в списках рассылки и блогах и отправлены на веб-страницу, содержащую Java-апплет, запускающий игру, и анкету.После проведения игр и заполнения анкеты все характеристики (игровой процесс, управляемость и опыт игрока) были записаны в репозиторий на сервере. Проанализировав эти данные, они попытались аппроксимировать функцию на основе игрового процесса и контролируемых характеристик, чтобы записать эмоциональный выбор с использованием нейроэволюционного обучения предпочтениям. Эти данные, представляющие функцию, были полны шума, так как выбор игроков был очень субъективным, а стиль игры варьировался.Все это в сочетании с скудным объемом обучающих данных предполагает использование надежного аппроксиматора функций. Искусственная нейронная сеть (ИНС), являясь нелинейной функцией, является подходящим вариантом для аппроксимации при отображении данных и сообщаемых эмоций. Поэтому простой одиночный нейрон (перцептрон) использовался для изучения взаимосвязи между характеристиками (ввод данных ИНС) и анализируемым эмоциональным выбором. Основная цель использования одиночного нейрона, а не многослойного перцептрона (MLP) здесь заключалась в том, чтобы проанализировать аппроксиматор обученной функции.Хотя MLP может более точно аппроксимировать функцию, нам проще визуализировать производную функцию, когда она представлена ​​однонейронной ИНС. Обучение было получено путем искусственной эволюции с использованием метода обучения по предпочтениям [25]. Был развернут генетический алгоритм поколений, использующий функцию согласия, которая измеряла различия между записанными эмоциональными предпочтениями и соответствующими результатами модели. Результаты показали, что существует высокая точность прогнозирования проблемы (77. 77%), разочарование (88,66%) и веселье (69,18%) с использованием модели с одним нейроном, которая рекомендует использовать более сложные нелинейные аппроксиматоры. В исследовании также обсуждалось, как сгенерированные модели могут быть использованы для автоматического создания игровых уровней, что улучшит игровой опыт.

В другом исследовании Шейкер, Яннакакис и Тогелиус [26] продемонстрировали автоматическое создание персонализированных уровней для платформеров. Они построили свою модель на более ранней работе Педерсена, Тогелиуса и Яннакакиса [24].Сначала для приблизительной оценки эмоционального уровня игроков использовались однослойные перцептроны (SLP). Входные подмножества были выбраны путем последовательного выбора признаков. Чтобы автоматически в реальном времени генерировать контент, адаптированный к опыту игрока в реальном времени, необходимо в некоторой степени предсказывать эмоции на основе управляемых функций. Для этого остальные контролируемые функции, которые еще не были в выбранном подмножестве функций, были принудительно введены во входные данные многослойных моделей персептронов, а топология сетей была сделана оптимальной для максимальной точности прогноза.

В этом исследовании оценивалась динамическая адаптация к изменениям в стилях игры. Была проверена способность модели обобщать игроков разных типов. Для этого были по очереди задействованы два агента искусственного интеллекта (ИИ), которые отслеживали рост ценности развлечения. Эксперимент начинался со случайного уровня. Агенты сыграли 100 уровней с переключением агента через каждые 20 уровней. Результат, показывающий изменение уровня развлечения на 100 уровнях, показан на рисунке 4.

Видно, что значение удовольствия составляет около 70% для начальных 20 уровней, когда играет первый агент, увеличивается до 80%, когда следующий агент играет 20 уровней, и падает до 70%, когда появляется первый. вернуться к игре. Это ясно показывает способность модели адаптироваться к типу игрока. В качестве дополнительного теста то же испытание было повторено на 4 людях-игроках в сокращенном наборе из 12 уровней. Результат этого испытания проиллюстрирован на Рисунке 5, который показывает прогресс игры на 48 уровнях. Результаты аналогичны результатам, полученным от агентов AI. Это ясно указывает на то, что модель надежно адаптируется к индивидуальному игроку, обобщающему различные типы игроков.

В исследовании [27] были построены вычислительные модели опыта игрока, полученные в результате взаимодействия в игровом процессе, для использования в качестве функций приспособленности для создания контента в играх. Для экспериментов использовалась модифицированная версия классической игровой платформы, а данные об игроках были собраны из Интернета.Они использовали метод обучения предпочтениям для создания моделей опыта игроков. Выбор элементов был использован для уменьшения количества элементов в модели. Данные обучения нелинейных перцептронов использовались для аппроксимации функций отображения между управляемыми функциями и выбранным игровым процессом. Они представили результаты оптимального построения многослойных персептронов (MLP) и характеристики модели MLP. Наконец, они обсудили способы, с помощью которых индуцированные модели могут автоматически генерировать игровой контент.

Большинство методов DDA основано на интуиции дизайнеров, которая не отражает реальных игровых паттернов. Поэтому Дженнингс-Титс, Смит и Уордрип-Фруин [28] создали Polymorph, который использовал методы машинного обучения и генерации уровней для анализа навыков игрока и сложности уровней, тем самым динамически создавая уровни в 2D-платформерной игре с постоянно желаемыми задачами. Проблема DDA была решена путем создания модели сложности с машинным обучением в 2D-платформерной игре с использованием модели существующего навыка игрока.Используются многослойные персептроны, доступ к которым осуществляется по трассам воспроизведения. Эти трассировки собираются с помощью веб-инструмента, который назначает пользователям различные компоненты краткого уровня и оценивает их по уровню сложности. Модель Polymorph использует модели сложности для выбора подходящего сегмента уровня для существующей производительности игрока.

Carvalho et al. [29] представили метод создания игровых сессий для бесконечных игр. Этот жанр до сих пор остается малоизученным в литературе.В этом методе используется четырехэтапный процесс, начиная с создания необходимого контента и заканчивая размещением контента в игровых сессиях. Также была разработана надежная методика оценки. В этом методе используются как функции, которые могут быть изменены дизайнером, так и элементы игрового процесса, собранные в ходе игровых сессий. Использование двух нейронных сетей — это новая техника, которая согласуется с идеей игры как услуги и поддерживает ее на протяжении всего жизненного цикла игры. Две нейронные сети имеют разные цели: первая получает в качестве входных данных просто функции, которыми можно управлять, а другая получает в качестве входных данных как неконтролируемые, так и контролируемые функции.Обе нейронные сети корректируют сложность фрагментов (сегментов фиксированного размера игры, в которых размещаются элементы игрового процесса) в качестве своих выходных данных. Таким образом, первая сеть используется на начальных этапах разработки, когда одна имеет доступ только к управляемым функциям этих фрагментов, а другая используется для периодической корректировки игры, когда она становится доступной. Обе нейронные сети являются многослойными персептронами, каждая из которых имеет скрытый слой.

3.3. Динамические сценарии

Динамические сценарии — это онлайн-обучение для игр без учителя.Он является быстрым в вычислительном отношении, надежным, эффективным и действенным [30]. Он управляет множеством правил в игре, используя по одному для каждого типа противника. Эти правила разработаны вручную с использованием информации о домене. При создании нового противника правила, составляющие сценарий, управляющий противниками, берутся из базы правил в зависимости от их типа. Вероятность выбора правила сценария зависит от значения веса, присвоенного правилу. База правил корректируется, изменяя значения, отражающие частоту неудач или успешности связанных правил скрипта.

При таком подходе обучение происходит постепенно. После завершения столкновения веса правил, используемые в столкновении, обрабатываются в зависимости от их влияния на результат. Вес правил, ведущих к успеху, увеличился, а вес правил, ведущих к неудаче, уменьшился. Остальные правила корректируются соответствующим образом, чтобы сумма весов всех баз правил оставалась постоянной. Динамическое написание сценариев используется для генерации новой тактики оппонента при одновременном повышении уровня сложности ИИ игры, чтобы соответствовать уровню опыта игрока-человека (рис. 6).

Есть три различных усовершенствования этой техники, позволяющих противникам научиться играть в сбалансированную игру:

(1) Наказание за высокую физическую форму: балансировка веса обеспечивает вознаграждение, пропорциональное значению физической подготовки. Чтобы добиться посредственного, а не оптимального поведения, веса могут быть изменены для поощрения посредственных значений пригодности и наказания более высоких значений.

(2) Отсечение веса: максимальное значение веса определяет наивысший уровень оптимизации, которого может достичь изученная тактика.Высокое значение максимума позволяет весам увеличиваться до высоких значений, так что вскоре почти всегда будут выбираться наиболее эффективные правила. В результате скрипты имеют близкие к оптимальным значениям. Точно так же низкие значения максимума сдерживают рост веса. Это создает большое разнообразие сгенерированных сценариев, многие из которых были бы неоптимальными. Этот метод автоматически изменяет максимальное значение, тем самым обеспечивая сбалансированную игру.

(3) Отсечение сверху: Подобно отсечению веса, он использует аналогичный механизм для адаптации к максимальному значению, с той разницей, что здесь весам разрешено увеличиваться выше максимального значения.Однако правила с весом, превышающим максимальное значение, не выбираются для сгенерированного скрипта. В результате частые победы управляемых компьютером противников приводят к отклонению эффективных правил, заставляя противников использовать слабые тактики. И наоборот, частые проигрыши заставят выбирать правила с большим весом, заставляя оппонентов использовать слабую тактику.

Проведенные авторами эксперименты показали, что DDA с помощью динамического скриптинга является эффективным. Было также замечено, что все три подхода были протестированы; Наказание за высокую физическую форму не увенчалось успехом, но два других подхода оказались успешными.

3.4. Система Hamlet

В большинстве игр используется концепция инвентаря, то есть хранилища предметов, которые игрок собирает и берет на протяжении всей игры. Относительное обилие или недостаток предметов в инвентаре напрямую влияет на опыт игроков. Игры предназначены для управления обменом предметами между игроком и миром [31].

Эти карты связей производителя и потребителя можно рассматривать как экономику или динамическую систему. Hamlet, система DDA, созданная Hunicke и Chapman [13], использует методы, взятые из исследований операций и управления запасами.Он изучает и регулирует спрос и предложение на инвентарь в игре, чтобы управлять сложностью игры. Система по сути представляет собой группу библиотек, поддерживаемых движком Half Life. Гамлет выполняет следующие функции:

(1) Управление статистикой игры в соответствии со статистическими метриками, определенными заранее

(2) Решение задач и правил настройки

(3) Выполнение этих задач и правил

(4) Представление данные и системные настройки

(5) Создание следов для игровых раундов

Hamlet использует метрики для отслеживания входящей игровой информации по мере продвижения игроков по игровому миру.Он предсказывает будущее состояние игроков на основе этой информации. Каждый раз, когда предсказывается нежелательное, но предотвратимое состояние, Гамлет вмешивается и корректирует настройки игры по мере необходимости. По сути, он пытается предвидеть, когда игрок постоянно борется и приближается к состоянию, когда его существующие ресурсы больше не могут соответствовать требованиям. Когда эта борьба обнаруживается, Гамлет вмешивается, чтобы помочь игроку продолжить игру.

Поддерживать уровень сложности и интереса игрока — непростая задача.Одним из популярных подходов является модель потока, предложенная Чиксентмихайи [11]. В среде FPS (рисунок 7) игровой процесс можно проиллюстрировать довольно простой картинкой перехода между состояниями.

Игроки участвуют в циклах поиска, извлечения, решения и битвы. Каждый новый уровень создает новых врагов и препятствий. Уровни сложности и навыки улучшаются со временем. «Гамлет» создан для того, чтобы удерживать игроков в канале потока Чиксентмихайи, продвигая одни государства и понижая другие.Основная цель состоит в том, чтобы удерживать игроков в замкнутых циклах взаимодействия на протяжении продолжительности, наиболее подходящей с учетом их навыков и накопленного опыта. Подводя итог, Гамлет смотрит на

(1) Оценить, когда требуются корректировки

(2) Принять решение об изменениях

(3) Внести изменения плавно

Когда игрок борется, во многих играх FPS это наблюдается что постоянная нехватка инвентаря происходит в местах, где существующие ресурсы игрока не соответствуют требуемым требованиям.Отмечая тенденции в расходах игроков на товарно-материальные запасы, выявляются возможные недостатки, тем самым выявляя вероятные возможности для корректировки. Процесс оценки начинается с установления показателей для оценки данных. Анализируются данные об ущербе, основанные на его распределении вероятностей. Уравнения теории инвентаря обеспечивают основу для моделирования общего инвентаря и потока игрока. Дефицит прогнозируется на основе вероятностей общего ущерба. Соответственно, Гамлет принимает ответные и проактивные действия, внося коррективы.Протоколы настройки определены в системе Гамлета. Действия по корректировке вместе с оценкой стоимости формируют политики корректировки.

3.5. Обучение с подкреплением

В игры играют самые разные игроки, использующие различные игровые шаблоны и стратегии. Следовательно, статический игровой ИИ не может справиться с игровыми стилями всех игроков. Таким образом, игровой ИИ, который является адаптивным, может создавать разнообразные игровые возможности для разных стилей игры и, таким образом, добавлять в игру интерес и повторяемость.Такие механизмы с интересом изучаются в последние годы. Например, эволюционные алгоритмы Тогелиуса и др. [32] использовались для создания гоночных треков, которые были популярны среди игроков.

Хагельбак и Йоханссон [33] в исследовании отметили, что игрокам нравится играть в равную игру против оппонентов, которые адаптируются к их стилям. С этой целью Тан, Тан и Тай [34] разработали адаптивный ИИ для игр, который способствует даже игре, а не победе противников. Здесь динамичный оппонент, управляемый компьютером, адаптирует свое поведение в соответствии с его действиями.Этот метод DDA использует в игре адаптивный ИИ для автоматической настройки игрового поведения и параметров в реальном времени в зависимости от навыков игрока. Это может держать игрока в напряжении на более длительные периоды времени и улучшать его опыт.

Как уже упоминалось, здесь DDA выполняется в реальном времени. Адаптивный ИИ в игре требует достаточного мастерства, чтобы принимать непредвиденные, но рациональные суждения, как игроки-люди, но не должен демонстрировать откровенно бездумное поведение. ИИ также должен уметь правильно оценивать своего оппонента в самом начале игры и настраивать свой стиль игры в зависимости от навыков оппонента.В этом исследовании были предложены два адаптивных алгоритма: адаптивный унихромосомный контроллер (AUC) и адаптивный дуохромосомный контроллер (ADC), которые использовали концепции эволюционных вычислений и обучения с подкреплением [34] для адаптивной игры в реальном времени. Две метрики: разница в процентах выигрышей (WL и D должны быть минимизированы, где W, L и D — выигрыши, проигрыши и ничьи) и разница средних оценок (s1-s2 для минимизации и max (s1, s2), где s обозначает баллы игроков 1 и 2), использовались как индикаторы развлекательной ценности.Во-первых, игра спроектирована таким образом, чтобы ИИ мог победить игрока. Во-вторых, игровой ИИ может совершать преднамеренные ошибки, называемые искусственной глупостью; следовательно, игроки по-прежнему заинтересованы в игре.

Обучение и адаптация AUC происходят в реальном времени во время сеанса игры. Как следует из названия, AUC хранит одну хромосому, которая соответствует семи числам, по одному для каждого компонента поведения. Каждое число указывает вероятность развертывания компонента поведения при пересечении путевой точки.Ожидаемое поведение, отображаемое этой хромосомой, иллюстрирует стратегию победы. Хромосома подстраивает навыки противника, отображая набор поведения, которого было бы достаточно, чтобы победить его. Хромосома инициализируется случайным образом в начале каждой игры. Каждый раз, когда пересекается путевая точка, набор правил обновляет хромосому. Здесь предполагается, что ожидаемая победная стратегия является проигрышной. ADC и AUC аналогичны, за исключением того, что первый не предполагает, что дополнение ожидаемой победной стратегии является проигрышным.Вместо этого на протяжении всей игры поддерживаются два набора хромосом, одна выигрышная и одна проигрывающая. Хромосомы обновляются по разным правилам для побед и поражений.

Эти контроллеры были протестированы на статических контроллерах с различными характеристиками вождения для имитации различных стилей игры, таких как эвристические контроллеры, контроллеры нейронной сети, контроллеры с обратным включением, предсказывающие быстрые контроллеры и т. Д. Эффекты изменения мутации и скорости обучения были изучены для обоих контроллеры (алгоритмы).Была оценена структура разницы в баллах, и обе получили различия в 4 или меньше баллов по крайней мере в 70,22% игр. Выигрыши и проигрыши также были хорошо распределены по последовательности игр, сыгранных подряд. Также было замечено, что у AUC было мало памяти, а ADC был способен поддерживать меньшее количество разыгранных игр, что могло заинтересовать игрока. Окончательные значения хромосом показали, что алгоритмы выбирают различные комбинации компонентов поведения для борьбы с разными противниками.Оба контролера смогли изучить правильные наборы компонентов поведения для различных противников с помощью процента побед и среднего балла. Кроме того, оба смогли удовлетворительно обобщить различные оппоненты.

Сехават [35] предложил персонализированный метод DDA для реабилитационной игры, который автоматически управляет настройками сложности на основе навыков пациента в реальном времени. В качестве метода DDA использовались концепции обучения с подкреплением. Было показано, что DDA преследует несколько целей, в которых цели могут быть оценены в разное время.Для решения этой проблемы было предложено использовать многопериодическое обучение с подкреплением (MPRL), которое позволяет оценивать различные цели DDA в отдельные периоды времени. Эксперименты показали, что MPRL работает лучше, чем доступные методы многоцелевого обучения с подкреплением, в плане удовлетворенности пользователей и улучшения двигательных навыков пациента.

3,6. Верхний предел достоверности для деревьев и искусственных нейронных сетей

Li et al. [36] разработали метод DDA с использованием искусственных нейронных сетей (ИНС) на основе данных, полученных из верхней доверительной границы для деревьев (UCT).Игра Pacman использовалась в качестве испытательного стенда для этого исследования. Учитывая, что UCT — это метод вычислительного интеллекта, производительность UCT существенно коррелирует с продолжительностью моделирования [37]. На рисунке 8 показан процесс DDA на основе данных, созданных UCT.

Здесь по оси x обозначено время моделирования, которое находится в диапазоне 0–400 мс. Ось ординат обозначает процент побед противников (призраков), который находится в диапазоне 30–70%. Кривая круто поднимается в период 0–100 мс; в этот период больше тестовых данных.Через 100 мс кривая выравнивается. Винрейт достигает максимума в 400 мс. Причина стабильности выигрыша в том, что UCT — это подход стохастического моделирования. В интервале 0–100 мс пространство выборки больше, и стохастические результаты становятся более точными. Следовательно, производительность UCT значительно улучшается. Кроме того, после пересечения 100 мс (пороговое значение) точность результатов остается достаточно хорошей, так что процент выигрышей плавно растет даже при более высоких значениях времени моделирования.UCT также можно использовать как DDA в играх в реальном времени. Просто регулируя время моделирования UCT, мы получаем игровых противников с возрастающим уровнем сложности.

ИНС можно обучить на основе данных, созданных UCT. Несмотря на то, что подход UCT может быть развернут как DDA для таких игр, как Pacman, его нецелесообразно использовать для сложных онлайн-игр из-за высокой вычислительной мощности. Но затем, поскольку производительность UCT можно настроить, варьируя время моделирования, автономное обучение ИНС становится возможным за счет запуска данных, созданных UCT, с измененным временем моделирования.Таким образом, DDA может быть сгенерировано из данных, созданных UCT, минуя вычислительную нагрузку. В этом исследовании для реализации использовалась трехуровневая модель искусственной нейронной сети с прямой связью в WEKA.

DDA также может быть создано из ИНС. Веса и смещение ИНС зарезервированы в файлах MDB. Оппоненты управляются ИНС путем загрузки файлов MDB.

Рисунок 9 иллюстрирует DDA от ИНС. Ось X в диапазоне 0–40 мс совпадает с рисунком 7. Ось Y представляет процент побед противников (призраков), контролируемых ИНС, на основе данных, созданных UCT, с измененным временем моделирования в пределах 20–86%.Кривая круто поднимается в диапазоне 0–100 мс. Через 100 мс кривая будет постепенно расти, а процент выигрыша достигнет 400 мс.

Производительность нейронной сети противника зависит от качества обучающих данных. При недостаточном количестве инцидентов для определенного маршрута обучение ИНС остается плохим. Обученная ИНС работает хорошо с достаточным количеством инцидентов для всех маршрутов. С увеличением времени моделирования данные UCT достигают большей точности, что, в свою очередь, создает более обучаемую ИНС.Сравнивая две кривые, мы отмечаем, что кривая DDA имеет тенденцию повышаться от минимального до максимального времени моделирования. Следовательно, правильная кривая DDA может быть получена путем обучения ИНС на основе данных на основе UCT. Таким образом, UCT — это хороший интеллектуальный алгоритм вычислений, который работает лучше, когда время моделирования увеличивается. Поэтому его можно использовать в качестве инструмента DDA, настроив время моделирования. UCT также может создавать данные для обучения ИНС.

Подход к DDA, основанный на данных, был предложен Yin et al. [38]. Задача заключалась в том, чтобы привести игру в соответствие с требованиями, установленными дизайнером.Данные, относящиеся к динамическим игровым состояниям и игровым характеристикам игроков, использовались для принятия решений по адаптации. Обученные ИНС использовались для отображения взаимосвязи между производительностью игрока, динамическим состоянием игры, решениями по адаптации и возникающей сложностью игры. Прогнозируемая сложность позволяет эффективно адаптировать как величину, так и направление. Эксперимент с приложением обучающей игры продемонстрировал эффективность и стабильность предложенного подхода.

3,7. Самоорганизующаяся система и искусственные нейронные сети

В другом исследовании [39] была разработана самоорганизующаяся система (SOS), которая представляет собой группу объектов, которые представляют глобальные системные черты посредством локальных взаимодействий, не имея централизованного управления.Этот метод предлагает новую технику, которая пытается отрегулировать уровень сложности, создавая SOS для неигровых персонажей (NPC), которые не находятся под контролем игрока. Для отслеживания человеческих качеств игрока в системе используются ИНС. ИНС должны адаптироваться к игрокам с разным уровнем навыков и черт; поэтому был разработан эволюционный алгоритм, обладающий навыками адаптации, который изменяет веса ИНС (рисунок 10).

Игра Pacman использовалась в качестве тестовой. В игре два агента: Пакман (игрок) и призрак (противник).Авторы рассмотрели четыре типа пакманов с разным уровнем интеллекта. Первый — это Cost-Based Pacman, местный агент, который определяет свое последующее местоположение на основе местоположения его ближайших призраков. Второй, названный Пакманом на основе расстояния, является глобальным агентом, который рассматривает местонахождение всех призраков, прежде чем принять решение о следующем шаге. Третий, не являющийся ни полностью глобальным, ни локальным, называется Pacman на основе ближайшего расстояния. Три Пакмана представляют игроков с разным уровнем навыков. Четвертый, Random Pacman, перемещается случайным образом и не относится ни к одной из этих категорий.

Был разработан нейроэволюционный контроллер для каждого Призрака, чтобы они могли адаптироваться к различным уровням навыков игроков. Они определяют следующую позицию, основываясь на заповедях окружающей среды. Каждому привидению была предоставлена ​​нейронная сеть прямого распространения со скрытым слоем. Топологии сетей решались во время игры. Призраки сначала обучаются офлайн. Это автономное обучение помогает создавать хромосомы, которые работают лучше, чем случайные хромосомы. Алгоритм совместной коэволюции используется для обучения призраков в автономном режиме [40].Субпопуляция хромосом учитывается для каждого призрака, у которого есть веса соединения нейронной сети. В качестве представителей выбираются лучшие исполнители в каждой подгруппе. Далее для оценки хромосом каждой подгруппы между представителями и этими хромосомами устраивается игра. По завершении игры его пригодность оценивается и назначается. Этот процесс повторяется до тех пор, пока не будут нанесены на карту все хромосомы каждого призрака. После оценки всех хромосом в подгруппах генетический алгоритм выбирает, скрещивает и мутирует для получения новых хромосом.Когда требования к остановке выполнены, эта последовательность событий останавливается.

Затем происходит онлайн-обучение контроллеров. Перед запуском игры необходимые хромосомы загружаются в контроллеры призраков. Поскольку уровни навыков игроков все еще неизвестны, для всех призраков выбираются промежуточные хромосомы. Подгруппы сортируются на основе индивидуальной пригодности; выбираются средние хромосомы. Игра начинается, когда хромосомы загружаются в нейронные сети. Игра длится недолго, после чего оценивается работоспособность системы.Нейронные контроллеры обучаются с использованием интерактивных эволюционных вычислений (IEC), где функция приспособленности заменяет человеческую оценку [41]. Поскольку человеческая оценка приводит к утомлению, МЭК эффективно оптимизирует системы. Пригодность системы косвенно оценивается на основе отзывов игроков, например, количество нажатий клавиш, раз или

Советы по проектированию автоматизации: механизмы смены направления

Механизм изменения направления — это механический компонент, который снимает ограничения, такие как расположение или размер конструкции механизма, при передаче сил от ведущего вала к ведомому валу.Другими словами, этот механизм изменяет направление сил или движения от ведущего вала, не передавая их как есть. В следующих двух томах мы изучим типичные примеры механизма изменения направления.

Механизм изменения направления с коленчатым рычагом

[Рис.1] представляет собой пример изменения направления движения между двумя звеньями в одной плоскости 90-градусного коленчатого рычага.

Показанный здесь коленчатый рычаг представляет собой деталь, состоящую из двух звеньев, соединенных под определенным углом в одной плоскости.На [Рис.1] вертикальное возвратно-поступательное движение ведущего вала (2) преобразовано в горизонтальное возвратно-поступательное движение ведомого вала (3).

[Рис.2] иллюстрирует механизм изменения направления (кривошип), используемый для деталей автомобильных двигателей.

Меры предосторожности при проектировании механизма изменения направления с использованием звеньев и рычажного рычага

В случае [Рис.1] силы от ведущего вала будут передаваться через штифт (4) на кривошип. Силы вращаются вокруг вала (5) и передаются на ведомый вал (3) через штифт (6).При проектировании этой конструкции необходимо учитывать следующие два момента:

и др. и др. 9019 9019 9019 9019 9019 9019 9019 194 Автор (ы) Подход Вероятностные методы Педерсен, Тогелиус и Яннакакис Однослойные и многослойные перцептроны Динамическое создание сценариев Hunicke and Chapman Hamlet System Hagelback and Johansson Верхняя граница достоверности для деревьев и искусственных нейронных сетей Эбрахими и Акбарзаде-Т Самоорганизующаяся система и искусственные нейронные сети Они присваивают

В таблице показано соотношение размеров между диаметром штифта, диаметром вала и соответствующим отверстием для трех типов состояний движения.Все размеры основаны на «посадке с зазором».

Подходит для вала и отверстия

Когда оси вращения расположены в одной плоскости и расположены под углом 90 градусов или более друг к другу, вращение ведущего вала может передаваться на ведомый вал путем соединения двух осей с помощью винтовой пружины. (Подробности см. На рисунке ниже.)

Поскольку узел изменения направления, связанный с этой цилиндрической пружиной, может быть спроектирован с некоторой гибкостью, пока ось ведомого вала составляет 90 градусов или больше, он будет использоваться для механизмов, требующих регулировки сборки или сортировки по качеству продукции и т.д.

[Рис.2] иллюстрирует примеры соединения ведомого вала для механизма, совместимого с различными моделями.

Поскольку для соединения компонента используется винтовая пружина, при проектировании этого механизма необходимо учитывать следующие недостатки.

Недостатки (ограничение поворотного отклонения)

1. Когда угол (θ на рис. 1) между двумя осями становится малым (менее 90 градусов), вращательная передача становится нестабильной.
2. Внедрение этого механизма в систему, включающую высокоскоростное вращение или переменную скорость вращения, приведет к снижению точности.
3. Винтовое направление винтовой пружины должно совпадать с направлением вращения вала.
4. Винтовая пружина может сломаться из-за усталости.

Примеры применения

1. Механизм регулировки поворота, совместимый с различными моделями
2. Передаточный механизм с малым крутящим моментом
3. Простой механизм регулировки в поворотной системе

Проектировать простые задачи легко, но добавить спецификации, такие как уменьшение веса и изменение направления, может быть сложно.Мы надеемся, что эти советы дадут вам новое представление об автоматизации проектирования или вдохновят вас на создание следующего крупного проекта. Обязательно прочитайте другие наши статьи, посвященные дизайну, такие как уменьшение веса, линейно-вращательное движение и большая автоматизация!

Обложка из CarThrottle

китайский закон | Китай: действие Соглашения о механизме корректировки оценки (VAM)

Q: Что такое соглашение о механизме корректировки оценки (VAM)?

A: Соглашение о механизме корректировки оценки (VAM), также известное как соглашение о ставках, заключается между инвестором Private Equity (PE) и инвестируемой компанией, согласовывая некоторые условия (в основном, индикатор будущих финансовых результатов инвестируемых компаний. ), с помощью которого инвесторы могут воспользоваться правом корректировать оценку при выполнении условий.Соглашение VAM широко используется в инвестиционной деятельности PE в Китае.

Q: Какие условия установлены в Соглашении VAM?

A: Финансовые и нефинансовые показатели (например, назначение руководства, технологические достижения) могут быть приняты в качестве условий. Когда условия соблюдены, инвестор должен передать часть капитала целевой компании или ее акционеру бесплатно или по низкой цене, и, напротив, инвестор имеет право на денежную компенсацию или потребовать от инвестируемой компании или ее акционера выкупа капитала обратно, когда вложенные средства не соответствуют условиям.

Q: Почему обычно принимается Соглашение о VAM?

A: Соглашение VAM обычно в пользу Инвестора и может снизить риск инвестиций, понесенных из-за неопределенности будущей оценки инвестируемой компании. В то же время это может вдохновить инвестируемую компанию или команду менеджмента на стремление к IPO.

Q: Действует ли Соглашение VAM с юридической точки зрения и защищено ли оно законом?

A: Хотя Соглашение о НОЖ очень распространено на практике, не существует конкретного закона или постановления, которые давали бы указания по условиям Соглашения о НОЖ.Недавнее решение Верховного суда привлекло внимание общественности к действительности Соглашения о VAM.

Q: О чем дело?

A: Это решение находится на пересмотре дела Haifu Investment Co., Ltd. против Gansu Shiheng Non-Ferrous Recycling Co., Ltd. и Hong Kong Diya Limited.

В соответствии с судебным решением, Соглашение VAM действительно, если оно заключено между Инвестором и держателем контрольного пакета акций целевой компании, Инвестором и целевой компанией на том основании, что обязательство по выплате компенсации, принятое акционером инвестируемой компании в отношении Выгода Инвестора не нанесет ущерба интересам инвестируемой компании или ее кредиторов и не противоречит каким-либо обязательным законам или постановлениям.Однако, если Соглашение VAM заключено между Инвестором и инвестируемой компанией, оно будет недействительным, поскольку такое соглашение позволяет Инвестору получать фиксированную прибыль за счет отсутствия связи с результатами инвестируемой компании, что наносит ущерб интересам инвестированной компании и его кредиторы.

В: Каковы последствия приговора?

A: Решение Верховного суда в значительной степени сняло опасения инвесторов, поскольку оно в целом не отрицает действительность Соглашения VAM.Вместо этого он предоставляет некоторые рекомендации для инвестора PE при заключении Соглашения VAM в будущем. Соглашения VAM, уже существующие между инвестором и акционером инвестируемой компании в других конкретных случаях, также не будут автоматически аннулированы.

Механизм регулировки

— Перевод на французский — примеры английский

Эти примеры могут содержать грубые слова на основании вашего поиска.

Эти примеры могут содержать разговорные слова, основанные на вашем поиске.

модульная система рулонных перегородок с механизмом регулировки натяжения

В этих вариантах осуществления регулировочный механизм может быть карданным.

Настоящее изобретение относится к механизму регулировки положения , содержащему две цилиндрические части.

подошва обуви с жесткостью механизм регулировки

Место обрыва капель проточного цитометра механизм регулировки

Встроенный механизм регулировки упрощает точную настройку для идеальной подгонки.

узел отрезного ножа экструдера с механизмом удаленной регулировки

механизм регулировки положения снабжен

устройство отображения видео с углом экрана механизм регулировки

Регулировочный механизм вала сохраняет свою фиксированную осевую ориентацию, несмотря на воздействие вибрации и ударов, создаваемых насосом.

Le mécanisme de réglage d’arbre garde son ориентация axiale fixe bien qu’il soit soumis aux vibrations et aux chocs produits par la pompe.

Механизм регулировки заднего фокуса для устройства формирования изображения

Механизм регулировки заклепки подходит к переднему концу основного корпуса.

Распредвала регулировочный механизм дополнительно включает в себя блокирующее устройство, предназначенное для блокировки ротора от вращения.

Le mécanisme de réglage d’arbre à comprend en outre un dispositif de verrouillage, который адаптирован к блоку вращения ротора.

механизм регулировки температуры аппарата плазменной обработки

Механизм регулировки автомобильного сиденья содержит: систему блокировки.

Внешний регулирующий механизм предназначен для переменной предварительной настройки эффективного рабочего объема насоса.

однорычажный механизм регулировки высоты и метод для газонокосилки

костыль включая длину регулировочного механизм и улучшенную часть стопы

быть окрашенным с механизмом регулировки

Шарнирно-сочлененная стойка с механизмом регулировки с шарниром и колесом в сборе.

Возможная артикуляция в стиле модерн mécanisme de réglage в сочетании с ансамблем roue et charnière.

Относительная регулировка

Хотите добавить немного яркости или … к нескольким уже отредактированным фотографиям: « Relative Adjustment » — ваш выбор.

Вы хотите применить предустановку более сильную или более мягкую: « Процентная регулировка » — ваш выбор.

Вы хотите применить изменения разработки только к новым виртуальным копиям: « Appy to Virtual copy » — ваш выбор.
Плагин «Относительная регулировка» может выполнять все и даже комбинировать эти функции.

Содержание

Демо YouTube

В чем уникальность относительных корректировок

Примеры видео

Особенности

Сценарии использования

Как это работает

Зачем мне это использовать

Скриншоты и параметры

Известные ошибки

Ресурсы

Демо YouTube

Небольшой пример объяснит необходимость и решение.

Допустим, вы проявили кучу фотографий.Каждая фотография имеет свои уникальные настройки. Теперь вы хотите немного осветлить их всех. Находясь в модуле разработки, если вы выберете эти фотографии и переместите, например, ползунок «Экспозиция» (или другой), все фотографии получат точно такие же настройки экспозиции. Но это не то, что вам нужно. Вы хотите добавить к текущим настройкам фотографии. Джаред Платт обсуждал проблему в этом видео.

Хорошо, в модуле «Библиотека» вы можете использовать настройки быстрой разработки, но вы не можете контролировать, сколько вы добавляете, у вас есть только несколько инструментов разработки, и вы не можете использовать предустановки.

С помощью подключаемого модуля Lightroom Relative Adjustment вы можете применить настройки проявки относительно к текущим настройкам фотографии. Таким образом, добавляет к настройкам фотографий вместо их перезаписи.

Неважно, что выбранные фотографии имеют совершенно разные настройки, все настройки применяются относительно текущей.

С помощью этого подключаемого модуля вы можете увеличить экспозицию, например, до 0,10 на всех выбранных фотографиях.

См. Раздел «Зачем мне использовать относительные корректировки?» для объяснения проблем системы предустановок Lightrooms и того, как этот плагин решает эти проблемы.

Но есть еще , вы также можете применить предустановленный абсолют, как это делает Lightroom. Включив параметр «Создать виртуальную копию», вы можете создать виртуальную копию, а затем применить настройки разработки. С помощью фактора вы можете указать, насколько сильным / мягким вы хотите, чтобы пресет применялся. См. Раздел «Характеристики» ниже для получения дополнительной информации.

См. Раздел «Как это работает» ниже.

Смотрите скриншоты, потому что картинка стоит тысячи слов.

Как увеличить экспозицию с помощью 0.40

Как увеличить экспозицию и тени на 50 процентов:

• Применить настройки относительной или абсолютной развертки
• • Абсолютный
    
    Поведение Lightroom по умолчанию
    
    Все выбранные фотографии получают те же настройки проявки предустановки.
    
    Например, если предустановка содержит Exposure = 0,15; все выбранные фотографии будут иметь 0.15, несмотря на их текущую стоимость.
  • Родственник
    
    Все настройки проявки будут добавлены / вычтены к текущим настройкам фотографии вместо их перезаписи.
• Процентная корректировка
  
  Изменяя процентное значение, предварительную настройку можно применить сильнее или мягче. Все настройки проявки в пресете пересчитываются в процентах.
• Создание виртуальной копии и применение предустановки за один шаг (только LR 5)
  
  При выборе этого параметра сначала будет создана виртуальная копия, а затем будут применены изменения, при этом исходная фотография останется нетронутой.
  Работа с мастер-файлами, эта функция позволяет применить предустановку к серии фотографий и получить изменения в виртуальной копии.
• 2 варианта применения относительных корректировок :
  • Относительно со значениями
    
    Все настройки проявки будут добавлены / вычтены с номером в предустановке.
    
    Например, добавьте 0,10 экспозиции к выбранным фотографиям.
  • Относительно с процентами
    
    интерпретирует значения как проценты, которые должны быть добавлены к текущей настройке фотографии.
    Например, добавьте 10% дополнительной экспозиции к выбранным фотографиям.
• Режим моделирования
  
  Этот параметр сообщает, как на фотографии будет влиять предустановка, но не применяет предустановку.
• Игнорировать разницу в версии процесса
  
  По умолчанию подключаемый модуль не обрабатывает изображение, если оно имеет версию процесса, отличную от указанной в предустановке!
  
  Выбор этого параметра позволяет отменить настройку по умолчанию и применить предустановку, хотя версия процесса для предустановки и фотографии различаются.
  Обратите внимание, : при включении этой опции версия обработки фотографии не изменяется!
  
  По умолчанию : выкл.
  
  
• Обратный расчет, если исходное значение отрицательное.
  
  Для пояснения этой функции см. Таблицу ниже.
  

  Обратный расчет вкл / выкл	Настройка	Исходное значение	Предустановка	Новое значение
  Выкл. (По умолчанию)	Воздействие	1.0	-0,2	0,8
  	Воздействие	-1,0	-0,2	-1,2
  на	Воздействие	1,0	-0,2	0.8
  	Воздействие	-1,0	-0,2	-0,8

• Мягкая расстойка.
  
  Мягкая цветопроба позволяет временно имитировать то, как изображение будет отображаться на другом устройстве, например на принтере, используя только монитор компьютера. Часто приходится вносить коррективы.Хорошо то, что корректировки, которые вы вносите с помощью мягкой цветопробы, логичны. Мягкое доказательство пару изображений, и вы можете увидеть тенденцию. Теперь у вас есть преимущество, если вы соберете эти настройки в предустановку и примените их ко всем изображениям, которые вы хотите распечатать с помощью этой комбинации принтер / бумага.
• Регулировка баланса белого на нескольких изображениях
  
  См. Настоящую тему на форумах Lightroom. Вопрос был: «Есть ли способ с LR, чтобы я мог выбрать 1000 фотографий и настроить температуру баланса белого на -300K и оттенок на -5?».
  Да, нет, вы можете с этим плагином относительной настройки.
• Еще вопрос на форуме: «Как применить пресеты ОТНОСИТЕЛЬНЫХ к вам картинок? (Выдержка)».
• Применить предустановленный более сильный или более мягкий
  
  Используйте подключаемый модуль, выберите применить предустановку «абсолютный», как это делает Lightroom по умолчанию, и поэкспериментируйте с более низким коэффициентом.
• Создать виртуальную копию и применить предустановку одним действием.
  
  Плагин сначала создаст виртуальную копию, а затем применит предустановку.
• Создайте эталонную фотографию и примените предустановку для специальных производных фотографий.
  
  По умолчанию, когда вы применяете предустановку к вашим эталонным фотографиям, есть большое изменение: они неохотно перезаписывают настройки эталонных фотографий.
  
  С помощью относительных настроек вы можете создать эталонную фотографию, а затем создать и применить предустановки, которые в качестве начала принимают настройки эталона.

Во-первых, этот плагин работает с пресетами Lightroom.

Предустановка может содержать одну или несколько настроек.Для плагина не имеет значения.

Это мощь подключаемого модуля, позволяющая применять предустановки относительные, абсолютные и с коэффициентом. Прямая или виртуальная копия.

Плагин работает очень просто, см. Скриншоты ниже

1. Выберите предустановку, которую хотите применить
2. Выберите «Режим применения»: относительный или абсолютный.
3. Дополнительно выберите
   1. С коэффициентом, насколько сильно должна быть применена предустановка. 100% нормально
   2. Если сначала нужно сделать виртуальную копию

Самостоятельно создать пресет очень просто, см.