即時戰略遊戲是目前最熱門的遊戲類型之一，遊戲演算法大多做法是以規則式或是作弊等方式設計，由於設計方法不具備適應性，易使得玩家在單調的遊戲內容中感到乏味，降低了遊戲的可玩性。在典型即時戰略遊戲中，有一特定場景，任兩軍交戰下，有兩種不合理狀況，第一為非玩家角色只會在所能偵測到的範圍內，才會進行攻擊動作，第二為玩家被非玩家角色發現後，在兵力不足的情形下，只要逃離一定設定範圍內，非玩家角色所控制的追兵就會停止追擊，並返回原來追擊前的狀態，這並不符合遊戲擬真的效果。以上述兩種狀況推導，為非玩家角色皆必須能夠找尋到玩家的位置，才能發揮其後續攻擊、撤退以及其他策略等決策。
因此，本研究運用利用粒子群演算法與類神網路相結合的機制，促使非玩家角色能夠在兩軍交戰遊戲情境中，主動偵查玩家角色的行蹤，掌握玩家的位置，據以提升此情境的挑戰性與趣味性；並與同具優化性質的基因演算法相比較，所以主要目的有二，分析非玩家角色的類神經網路之初始值，並與基因演算法的應用比較，其次，檢視遊戲情境中非玩家角色偵測玩家的表現，包含由數值運算分析、直接觀察非玩家角色以及遊戲玩家意見分析。實驗結果顯示，在初始值上，粒子群演算法機制明顯優於基因演算法；在兩軍交戰遊戲情境中非玩家角色表現，在主動偵查玩家角色的行蹤上，達到了所期望的行為模式且產生了適應性，另外，遊戲玩家亦認同挑戰性與趣味性提升了。

Real-time strategy game is one of the most popular types of games. Most algorithms applied are rule-based, or cheating, etc. They do not have the adaptability, so it is easy to make the human players feel boring in monotone game content, and reduce the game playability. In a typical real-time strategy game, there are two unreasonable conditions in battle between the non-player characters and human player. First, non-player characters can attack only in its detection range. Second, human player is discovered by non-player characters player in the shortage of troops, human player as long as escape away the scope controlled by non-player characters will stop chasing and go back to the original state. It does not comply with the true effect of games. Derivation of the above two conditions, the main factors for non-player characters must be able to find the human player's position.

Therefore, this study used the integrating particle swarm optimization and neural networks to promote the ability of non-players characters to actively find the whereabouts of the human player in the particular of simulated situations. Specifically, there are two purposes in this study. First, analyze neural networks initial value of non-player characters. Second, examine the non-player characters performance in the simulated situation, including numerical calculation, direct observations and game player’s opinions.

Experimental results show that integrating particle swarm optimization and neural networks is superior to genetic algorithms in the initial value; and in the simulated situation non-player characters have the adaptability and the ability of actively find the human player position.

謝誌 i
摘要 ii
Abstract iii
目次 iv
表次 v
圖次 vi
第一章 緒論 1
第一節 研究背景與動機 1
第二節 研究目的 4
第三節 研究流程 5
第二章 文獻探討 7
第一節 即時戰略遊戲 7
第二節 類神經網路在遊戲中的應用 12
第三節 粒子群演算法與類神經網路 22
第三章 設計與實施 27
第一節 研究的遊戲情境 27
第二節 遊戲情境的模擬模式 29
第三節 遊戲運算流程與架構 32
第四節 NPC評估 35
第四章 結果與討論 39
第一節 初始值分析 39
第二節 NPC找尋玩家分析 40
第五章 結論與建議 45
第一節 結論 45
第二節 建議 46
參考文獻 47

中文部分
吳萬成(2008)。以粒子族群最佳化進行倒傳遞類神經網路參數最佳化與屬性篩選之研究。私立華梵大學資訊管理研究所碩士論文，未出版，台北縣。
李孟聰（2009）。群聚人工智慧在遊戲設計上之效益探究。市立台北教育大學資訊科學研究所碩士論文，未出版，台北市。
徐育良（2003）。以粒子群最佳化為基礎之電腦遊戲角色設計之研究。私立東海大學資訊工程與科學研究所碩士論文，未出版，台中市。
高海兵、高亮、周馳、喻道遠（2004）。基于粒子群優化的神將網絡訓練算法研究。電子學報期刊，27(5)，1571-1574。
高嘉和（2006）。應用改良式粒子群演算法於智慧神經網路模式之發展。私立義守大學工業與管理研究所碩士論文，未出版，高雄縣。
張斐章、張麗秋(2005)。類神經網路。台北市：東華。
張軍(2009)。第六章 粒子群優化演算法。計算智能(普通高校本科計算機專業特色教材精選•算法與程序設計)(頁107-125)。北京市海澱區：清華大學出版社（中國大陸）。
陳建勳(譯)（2005）。D. M. Bourg, & G. Seemann著。遊戲人工智慧(AI for Game Developers )。台北市：歐萊禮。
陳柏仲（2006）。以粒子群最佳化為基礎之電腦遊戲團隊人工智慧研究。私立東海大學資訊工程與科學研究所碩士論文，未出版，台中市。
黃奐禎（2007）。利用粒子群演算法在電腦遊戲訓練團隊策略。私立東海大學資訊工程與科學研究所碩士論文，未出版，台中市。
黃耀田(2007)。基因演算法在遊戲應用上之效益初探。市立台北教育大學資訊科學研究所碩士論文，未出版，台北市。
蔣寧、翟玉慶（2007）。一個基於神經網絡和遺傳算法的遊戲自主角色的設計。計算機應用期刊，32(9)，1280-1283。

謝沂蓁（2011）。運用群體智慧發展遊戲群聚包圍策略之研究。市立台北教育大學資訊科學研究所碩士論文，未出版，台北市。
顧力栩、沈晉惠譯(2007)。M. Negnevitsky著。人工智慧：智慧型系統導論(第二版)( Artificial Intelligence: A Guide to Intelligent System 2/E)。台北市：全華。

西文部分
Van Ooyen, A. and Nienhuis, B. (1992). Improving the Convergence of the Back-propagation Algorithm. Neural Networks, 5 (4), 465–471.

Alexander, G.B. (2007). The hard-thought race for intelligence gaming. (2007). Retrieved November 20, 2010, from http://www.guardian.co.uk/technology/2007
/apr/19/games.guardianweeklytechnologysection3

Buckland, M. (2002). AI Techniques for Game Programming. Portlannd, OR：Premier Press.
Chau, K.W. (2006). Particle Swarm Optimization Training Algorithm for ANN in Stage Prediction of Shing Mun River. Journal of Hydrology 329(3-4), 363-367.

Eberhart, R. C. & Kennedy, J. (1995). Particle Swarm Optimization. Proceedings of IEEE International Conference on Neural Networks, 4 , 1942-1948.
Eberhart, R. C. & Kennedy, J. (1995, October). A new optimizer using particle swarm theory. Proceedings of the Sixth International Symposium on Micromachine and Human Science, 39-43.
Eberhart, R. C. & Shi, Y. (1998). A Modified Particle Swarm Optimizer. Proceedings of IEEE World Congress Computation Intelligence, 69-73.
Eberhart, R.C. and Shi, Y., (2001), Particle Swarm Optimization: Developments, Application and Resources, Proceedings of the IEEE Congress on Evolutionary Computation 2001, 1, 81-86.
Haykin, S. (1994). Neural Networks, a Comprehensive Foundation. New Jersey :Prentice Hall.

Han, J., & Kamber, M.(2003). Data Mining: Concepts and Techniques. San Francisoc , CA: Morgan Kaufmann.



Langenhoven, L., Van Heerden, W.S., & Engelbrecht, A. P. (2010). Swarm Tetris: Applying Particle Swarm Optimization to Tetris. IEEE Congress on Evolutionary Computation, 1272-1279.

Machiel, K.W. (1991). A method for self-determination of adaptive learning rates in back propagation. Neural Networks, 4(3), 371–379.

Mommersteeg, F. (2002). Pattern Recognition with Sequential Prediction. AI Game Programming Wisdom (pp. 586-595). Boston, MA: Charles River Media Press.
Michael, B. (2004). Call for AI Research in RTS Games. Paper presented at the Proceedings of the AAAI Workshop on AI in Games, San Jose.

Stanley, K. O., Bryant, B., & Miikkulainen, R. (2005). Real-time neuroevolution in the NERO video game. IEEE Transactions on Evolutionary Computation 9, 653–668.

Stanley, K. O., Bryant, B. D., & Miikkulainen, R. (2005). Evolving neural network agents in the NERO video game. IEEE Symposium on Computational Intelligence and Games.

Tania, B. (2003). Evolving neural network architecture and weights using an Evolutionary Algorithm. Unpublished master’s thesis, RMIT University, Melbourne, Australia.

Thurau, C. Bauckhage, C. & Sagerer ,G. (2003). Combining Self Organizing Maps and Multilayer Perceptrons to Learn Bot-Behavior for a Commercial Game. In Proc. GAME-ON’03, 119–123.

Woodcock, S. (2002). The Game AI Page Building Artificial Intelligence into Games. Retrieved December 12, 2010, from http://www.gameai.com/ai.html

Zanetti, S. & El Rhalibi, A. (2004). Machine Learning Techniques for FPS in Q3. ACE’04 , 3-5.
Zhang, R.U., Zhang, J., Lok, T.M., & Michael, R.L. (2007). A Hybrid Particle Swarm Optimization-Back-Propagation Algorithm for Feedforward Neural Network Training. Applied Mathematics and Computation, 1026-1037.