游戏中的非玩家角色(游戏AI)一直是游戏人工智能和仿真平台智能体的研究热点。游戏AI的智能程度对提高玩家的游戏体验有重要作用,随着游戏产业的迅猛发展,游戏AI的决策研究在游戏领域有重要意义。采用简单的机器学习方法往往无法实现复杂场景下的自主角色行为。鉴于即时对战游戏中的环境参数与量化金融领域的股票预测数据都具有独立同分布的特性,而基于深度学习的LSTM(长短时记忆单元)股票预测模型已取得很好的成绩,因此在深入研究了游戏环境参数和游戏AI决策的关联性后,本文设计了二级决策机制:游戏AI在对战决策时首先要得到战略决策类别标签,然后依据战略决策类别标签选择相应的战术决策。同时,针对独立游戏AI和联合游戏AI两种不同需求的场景,本文分别设计不同的基于深度学习的决策方法。本文的主要工作可以概括如下:决策样本属性分析及采集:分析游戏环境参数属性与独立游戏AI和联合游戏AI两种不同需求决策的相关性,设计了决策样本环境参数特征属性;利用Windows API的共享内存方法,模仿人类玩家行为,实时采集基于两种需求的游戏AI决策的环境参数样本数据集。游戏AI的独立决策模型:一级战略决策仅包含攻击和撤退两种类别标签,因此本文设计了基于快速LSTM的独立游戏AI 一级战略决策模型;针对二级战术决策类别标签多、样本少的特点,为避免训练过拟合,本文借鉴了可以充分利用整个样本序列信息的BLSTM(双向长短时记忆模型)模型框架,设计了基于BLSTM的独立游戏AI二级战术决策模型。两级决策模型都通过训练调整层数和参数,分别提高模型决策精度。实验表明,本文基于独立AI的分级决策方法精度高、效果好,具有实用价值。另外,出于游戏AI路径规划上的需求,本文采用了 JPS+寻路算法用于实现更有效的寻路规划。多个游戏AI的联合战略决策:本文针对多游戏AI协同作战的游戏模式,提出两种方案——联合AI机制和联合AI模型。联合AI机制,多个游戏AI分别做出独立战略决策后,以服从团队利益最大化作为团队协作策略的指导依据,协调得到多游戏AI的独立战略决策,根据调整后的战略决策,各游戏AI分别调用独立AI战术决策模型从而实现多游戏AI的联合决策;联合AI模型,多游戏AI的决策数和决策类型较多,针对模型精度上的考虑,联合AI模型采用基于BLSTM的设计方案,在模型构建过程中,对模型结构的隐含层进行训练调整,并对相关参数进行微调。实验表明,本文的两种联合AI决策方法都能够实现多游戏AI在战斗场景中的协同作战,并表现出较为智能的行为,具有实用价值。