自主虚拟士兵攻击行为研究

doi:10.3778/j.issn.1002-8331.2010.32.018

计算机工程与应用 ›› 2010, Vol. 46 ›› Issue (32): 67-70.DOI: 10.3778/j.issn.1002-8331.2010.32.018

自主虚拟士兵攻击行为研究

赵维^1，2，谢晓方¹

1.海军航空航天大学兵器科学与技术系，山东烟台 264001
2.91458部队装备部

收稿日期:2010-04-06 修回日期:2010-06-17 出版日期:2010-11-11 发布日期:2010-11-11
通讯作者: 赵维

Research on aggressive behavior of autonomous virtual soldier

ZHAO Wei^1，2，XIE Xiao-fang¹

1.Department of Ordnance Science and Technology，Naval Aeronautics and Astronautics University，Yantai，Shandong 264001，China
2.Equipment Department of 91458 Army，China

Received:2010-04-06 Revised:2010-06-17 Online:2010-11-11 Published:2010-11-11
Contact: ZHAO Wei

摘要/Abstract

摘要：

针对当前主流射击游戏和战场对抗仿真中虚拟士兵的受伤模型只改变其生命力而不改变其战斗力，从而影响游戏或仿真真实性的现状，提出了一个虚拟士兵失能模型，该模型能较好地描述虚拟士兵某部位中弹后对其战斗力的影响，并提出了一种基于模糊规则的最佳攻击目标选择算法，该算法可以根据目标距离、弹药情况等因素选取最佳攻击目标，以取得最有效的攻击效果。所述方法可以有效改善自主虚拟士兵行为的真实性，具有较大的应用和参考价值。

关键词: 虚拟士兵, 战斗力, 模糊数学, 人工智能

Abstract:

In accordance with the virtual soldier’s wound model of mainstream shooting games and battlefield simulation only to change the virtual soldier’s vitality，not to change its combat effectiveness，thus affecting the reality of the game or simulation，this paper develops a virtual soldier disability model，the model can describe the influence to the virtual soldier’s combat effectiveness when his certain part is hit，and proposes a best target selection algorithm based on fuzzy rule，the algorithm can choose the best attack target according with distance，ammunition etc.，to achieve the most attack effect.The method can effectively improve the acts reality of autonomous virtual soldier，has great application and reference value.
Key words： virtual soldier；combat effectiveness；fuzzy math；artificial intelligence

Key words: virtual soldier, combat effectiveness, fuzzy math, artificial intelligence

中图分类号:

TP391.9

赵维^1，2，谢晓方¹. 自主虚拟士兵攻击行为研究[J]. 计算机工程与应用, 2010, 46(32): 67-70.

ZHAO Wei^1，2，XIE Xiao-fang¹. Research on aggressive behavior of autonomous virtual soldier[J]. Computer Engineering and Applications, 2010, 46(32): 67-70.

[1]	曾春艳，严康，王志锋，余琰，纪纯妹. 深度学习模型可解释性研究综述[J]. 计算机工程与应用, 2021, 57(8): 1-9.
[2]	杨泉. N1+N2结构语法关系判定的SVM算法[J]. 计算机工程与应用, 2021, 57(20): 104-108.
[3]	孔松涛，刘池池，史勇，谢义，王堃. 深度强化学习在智能制造中的应用展望综述[J]. 计算机工程与应用, 2021, 57(2): 49-59.
[4]	娄奇鹤，刘虎，谢祥颖，马晓光. 融合级联LSTM的短期电力负荷预测[J]. 计算机工程与应用, 2021, 57(18): 275-280.
[5]	徐遐龄，刘涛，田国辉，于文娟，肖大军，梁陕鹏. 有遮挡环境下的人脸识别方法综述[J]. 计算机工程与应用, 2021, 57(17): 46-60.
[6]	钱文博，熊建斌，岑健，王颀，余得正，吴润杰. 建筑电气系统故障诊断综述[J]. 计算机工程与应用, 2021, 57(16): 27-39.
[7]	李智，王震，杨赋庚，奚雪峰. 基于表格的自动问答研究与展望[J]. 计算机工程与应用, 2021, 57(13): 67-76.
[8]	王友发，陈辉，罗建强. 国内外人工智能的研究热点对比与前沿挖掘[J]. 计算机工程与应用, 2021, 57(12): 46-53.
[9]	刘春，吴一珩. 双路融合的深度估计神经网络方法研究[J]. 计算机工程与应用, 2020, 56(20): 138-145.
[10]	王卉，李英顺. 改进型证据更新规则的动态故障诊断算法[J]. 计算机工程与应用, 2020, 56(2): 261-265.
[11]	唐思源，杨敏，刘燕茹. AI技术辅助诊断新型冠状病毒肺炎研究综述[J]. 计算机工程与应用, 2020, 56(18): 16-24.
[12]	孙晓虎，李洪均. 语音情感识别综述[J]. 计算机工程与应用, 2020, 56(11): 1-9.
[13]	刘阳，林民，李艳玲. 交互式检索的用户模拟器研究综述[J]. 计算机工程与应用, 2020, 56(10): 1-9.
[14]	白创，陈翔. 新型LeNet-FC卷积神经网络模型算法的研究[J]. 计算机工程与应用, 2019, 55(5): 105-111.
[15]	李帅龙1，2，3，张会文1，2，3，周维佳1，2. 模仿学习方法综述及其在机器人领域的应用[J]. 计算机工程与应用, 2019, 55(4): 17-30.

自主虚拟士兵攻击行为研究

Research on aggressive behavior of autonomous virtual soldier

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics