近年来,游戏的图形质量已发展到近乎极致的地步,人工智能(AI)已经成为决定一款游戏以及游戏开发工作室命运的重要因素。下一代的3D游戏不仅会有优秀的视觉效果,更会像人一样狡猾和聪明。由于国内还没有展开全面研究和应用,而且本文研究并实现的AI技术在一定程度上提高了游戏智能,因此该课题具有一定的学术和应用价值。本文目标是构建一个基本图形渲染引擎,以这个渲染引擎为平台,对若干基于规则和机器学习的AI技术进行了深入研究和实现,并应用若干机器学习技术实现了游戏中一些常见问题的求解。首先构建图形渲染引擎,功能有:完整流水线,物体剔除,背面消除,欧拉相机,光照模型,固定、恒定和Gouraud着色方法,3D裁剪,深度排序。然后研究实现了若干基于规则的AI技术。基于规则的AI技术包括:确定性运动算法、随机运动算法、跟踪闪避算法、群聚算法、模式运动技术、行为建模的有穷自动机技术和A*算法等。最后采用机器学习中的遗传算法和人工神经网络,实现了游戏中以下问题的求解:1.寻路问题。一条染色体代表一条路径。实验表明遗传算法对结果的不可预知性可以有效地提高寻路的智能;2.飞行物体的着陆问题。染色体由飞行物体的运行方式组成。实验表明遗传算法对结果的不可预知性使得降落更加智能化,不需要人工的干预;3.障碍物绕行问题。使用遗传算法改进神经网络的权值;利用以智能体中心为出发点的5条射线模拟传感器感知环境。经过768代的进化,遗传算法种群最优适应度和平均适应度都有了明显提高,绕行成功率从12.5%上升到85%;4.鼠标轨迹识别问题。神经网络权值由反向传播算法学习更新;采用1200个样例训练,误差阈值为34.0037,另外1200个样例测试,将神经网络与SVM做了实验对比,得出结论:神经网络和SVM的正确分类样本数分别为1125和1185,错误分类样本数分别为75和15,正确率分别为93.75%和98.75%。下一步工作,希望将这些AI技术有机地结合起来,整合为一个AI引擎,应用在实际的游戏项目中。