PSO算法中的动态目标函数

Question

我正在从事人工智能领域的游戏类项目；其中我使用 PSO 算法让敌人找到玩家的位置。这是我的问题：

如何优化 PSO 以找到一个非静态且不断变化的目标？

我想在这个游戏的不同关卡中实现一些群体智能算法。

Answer 1

在更新粒子速度之前（以及之后，在限制速度和位置之后），通常在 PSO 中，粒子最佳位置和群体最佳位置都会根据 w.r.t 进行更新。当前迭代中群体中每个粒子的目标函数值。让我们分别表示这些位置 particleBestPos（对于每个粒子）和 swarmBestPos。最后，对于每个粒子，让 particleCurrentPos 表示当前位置。

对于每个粒子，考虑到 f(...) 描述的某个静态目标要最小化，床的位置根据以下公式更新：

if f(particleCurrentPos) < f(particleBestPos)
    particleCurrentPos <-- particleBestPos
if f(particleCurrentPos) < f(swarmBestPos)
    swarmBestPos <-- particleBestPos

现在，让 f(...) 成为一个“动态”函数应该没有问题，例如，从参数 (particleCurrentPos) 到玩家的距离。问题在于，如果玩家不断移动，particleBestPos 和 swarmBestPos 位置几乎没有价值。

对此的一种解决方案是保留每个粒子的历史记录，例如 n 个最近的位置。在上面的粒子/群最佳更新步骤中，对于每个粒子：滚动遍历粒子的历史（n 个最新位置），并让 particleBestPos 成为与 players 相关的那些中最好的此时的当前位置（和 swarmBestPos 类似）。

在这一步之后，粒子速度（和位置）像往常一样更新，但要保证认知部分（权重对 particleBestPos）和社会部分（权重对 swarmBestPos) 在某种程度上是最新的 wrt球员的当前位置。每个粒子的 n 个最新位置的历史将作为粒子的记忆：

“从我和我的群体的 n 个位置的历史来看：我自己和我的群体的哪个历史位置对玩家当前的位置最有利"

您允许的历史记忆越长，蜂群就越能更好地（或更危险:)）跟踪移动的玩家。

---

补充：由于您的目标函数（对粒子进行评估和评分）非常简单（当前到玩家的距离）并且最优解（位置）始终是已知的（x* = 玩家位置），因此 PSO 在在这种情况下，您只需将敌人建模为 boid 就可以了，请参阅 Boids model。

您可以使用原始空隙模型，但添加一个额外的（重加权）对齐规则；转向玩家。

请注意，Boids 模型不是优化模型，而只是一种模拟群体行为的方法，其灵感来自于成群结队的鸟类。在你的情况下，我相信它应该足够了。附加对齐规则上的权重大小也是直接控制敌人跟踪玩家的好方法。