Параметры алгоритма принятия решений могут изменяться даже с течением времени в алгоритме и, разумеется, между алгоритмами.
Допустим, у вас есть дерево решений ИИ для определения перемещения солдат по полю битвы.У вас может быть защитный алгоритм, который будет искать решение, которое максимизирует его собственную жизнь, где это возможно.У вас может быть агрессивный алгоритм, который будет искать максимальный урон против других солдат.У вас могут быть алгоритмы разрушения, которые ищут структурное повреждение стен.Каждый из них будет иметь различные параметры для определения, какое решение принять.
И параметры решения могут изменяться по мере продолжения моделирования.Например, агрессивный алгоритм может взвешивать урон, нанесенный урону, полученному 2: 1.Допустим, ИИ готов заглянуть в будущее на 100 циклов моделирования, чтобы принять решение.Может оказаться, что, несмотря на то, что он весил 2: 1, симуляции, которые он выполнял для принятия решения, не соответствовали тому, что на самом деле произошло.Если он рассчитал, то получит 100 урона, но нанесет 200 урона, но на самом деле он получил 150 урона, что убило его до того, как он едва мог нанести 70 урона (если предположить, что оно предназначено), он мог бы принять это во внимание.Одновременно он может обнаружить, что, когда он решил изменить положение в определенных условиях, он смог избежать повреждений во время тиков T + 10, получить выгодную позицию и нанести больше урона во время тиков T + 40 до T + 80, чем обычно,Это заставит его рассматривать более безопасные ситуации больше, чем раньше.