为游戏中的NPC提供确定性的行动，需要使用基于规则的有限状态机进行编程。构建这些系统需要许多条件，开发人员使用模糊逻辑来减少开发时间并为游戏增加一定程度的不可预测性。采用所谓A*算法的寻路算法是AI在游戏中的首批应用之一。
除此之外，游戏开发者还会使用决策树、深度神经网络、遗传算法和强化学习技术等非确定性方法。
决策树
让我们从决策树(DT)开始，它是可以被训练来执行分类和回归的监督学习技术。它们是游戏开发中最基本的机器学习算法之一。它们可以通过从数据特征中推断出简单的决策规则来帮助您评估感兴趣的变量的值。
决策树很容易理解和解释，结果应该不会花很长时间来评估。还有很多复杂的树可视化方法。白盒模型已经开发出可以使用各种统计测试进行验证的模型。
决策树是一种用于创建人工智能游戏的技术。在游戏设计中，使用了决策表（动作预测）。大多数当前的视频游戏都使用决策树，尤其是基于叙事的游戏。决策树可以帮助玩家了解他们的决定如果通过它们来影响未来。
深度神经网络
人工神经网络是由学习算法构建的人工大脑，其结构类似于人脑。NN可以从训练数据中学习各种特征，因此可以对极其复杂的现实世界和游戏情况进行建模。与经典的AI方法相比，NN克服了游戏代理设计中的某些缺陷。此外，NNs具有自适应性，可以随时调整以实时更改游戏设置。
为用户提供了在包含来自其他项目的nn-gram的项目中添加或修改数据的机会。我们将为您分解、分析和提取信息。根据您尝试开发的基于NN的游戏代理的类型，可以使用两种训练游戏代理的方法。
策略游戏中的人工智能(AI)代理可以快速改变他们的游戏策略，以跟上具有学习和适应能力的人类玩家或其他NPC。他们还可以通过学习和适应来确保即使在长时间的游戏之后游戏仍然困难。
Deep NN（深度学习）目前作为游戏代理设计工具正在获得关注。游戏中的深度学习使用多层神经网络通过逐渐分解来“从输入数据中提取特征”。在控制一个或多个游戏代理时，深度神经网络的分层方法和增加的架构复杂性使其能够获得优于以前方法的结果。根据场景的不同，这些可能是NPC或游戏环境本身。
遗传算法
遗传算法是一种更复杂的方法，称为基于自然进化思想的启发式算法。遗传算法通过选择最强壮的个体来产生下一代的后代来模仿自然选择。
GA被广泛用于优化目的。与其他优化方法相比，GA在多准则优化方面产生了出色的结果。GA被用于棋盘游戏中，这些棋盘游戏利用各种搜索策略来寻找过去的最佳走法。将NPC的行为与GA的现代应用相适应有助于他们抵御人类玩家可能使用的强大但可预测的策略。游戏AI代理的构建更加逼真，但它们也有缺点。GA通过限制人类玩家或其他AI代理发现漏洞并以永无止境的步骤赢得游戏，从而使游戏体验更加真实。扩展的可玩性是GA的最终结果。
强化学习
强化学习(RL)是一种涉及试错学习的机器学习形式。在训练过程中，模型可以根据成功或是失败的经验中学习。
在动态和不确定的环境中，强化学习是有利的。强化学习已经在视频游戏中使用了一段时间。因此，游戏行业用于测试强化学习算法的领域非常丰富。与此同时，一些世界上最优秀的电脑游戏玩家采用强化学习。另一方面，强化学习算法对于高级游戏来说还不够强大。
