文摘
人工智能的新维度了足球的运动与心理特征跟踪和规划的路径足球和分析学习过程。随着人工智能技术的快速发展,它也用于体育活动。足球,世界头号球游戏,一直受到全世界的关注。足球是充满现实主义的,但这并不意味着它的行为是无法预测的。利用人工智能的作用,模型训练数据是用来执行一个深入的分析的相关作用足球队的玩家在游戏中,这是非常有利于提高团队的训练效率和战术。作为一种新兴的智能算法,改进后的遗传算法可以根据结果寻求全局最优解算法的执行和应用到足球训练的规划路径,有很强的应用价值,提高团队的训练水平和帮助团队制定合理有效的进攻和防御策略。在本文中,我们使用人工智能作为研究背景,来改善遗传算法通过提取出足球训练函数和改进后的算法应用到足球训练路径规划全局最优解,以帮助球员找到合理有效的优化路径传球或投篮和帮助团队构建进攻和防守的战术计划和赢得战略以满足球迷的殷切期望。
1。介绍
随着时代的发展和科技的进步,现代技术,如GPS追踪器,计算机视觉算法,和传感器应用于足球训练,足球运动中包含的数据量是发现。人工智能的新维度了足球和心态的运动跟踪和规划的路径足球和分析学习过程,也就是说,在足球运动作为一种精神运动。研究专家人工智能应用于运动训练,足球学院给了他们一个足够有挑战性的环境来测试他们的研究结果。戴利,一位国际著名的足球教练,他说:“足球运动不仅有趣,但包含一个竞争与合作的关系组成部分。“在足球比赛中,包含了许多可能性,在球场上不可预测的变化,许多不确定性,不像国际象棋,这个游戏在一个充满现实主义的世界里,这是一个新的挑战对人工智能的应用方面1]。
足球是充满现实主义的,但这并不意味着它的行为是无法预测的。利用人工智能的作用,从训练模型数据可以用来提供一个深入的分析的相关作用足球队的玩家在游戏中,它可以是非常有用的在改善团队的训练效率和策略。通过使用人工智能,足球训练的功能特性可以提取,结果可以应用到足球训练计划中提取数据等某些特定动作传球,铲,或射击模拟和分析球员的贡献的大小通过或目标。这个特性可以应用于postmatch分析向玩家展示行为在某些情况下,如是否通过或拍摄帮助团队得分,并且可以用于开发培训计划基于玩家的强度性能数据和健康状况,追踪玩家疲劳,避免球员在训练受伤由于强度高和过载,和降低受伤球员状态(2]。
足球训练研究路径规划,我们不得不提到“重量的影子。”“重力”一词指的是应用程序的另一种跟踪实际的跟踪。就像在足球视频游戏,足球的轨迹变化通过使用不同的操纵杆相互结合使用,和不同操作的协调控制导致的路径距离足球改变。这种技术可以用来预测和研究战术变化的化学效应来控制比赛的节奏。例如,如果一个球队的明星球员受伤在比赛场地,整个团队将如何调整策略游戏都是教练和球员需要注意的。人工智能专家Touhill表示,将人工智能技术应用于足球的目的并不是替换教练,但协助教练的指导通过使用智能技术处理数据,无法手动处理,以便更好的找出问题的解决方案(3]。
作为一种新兴的智能算法,改进后的遗传算法可以根据结果寻求全局最优解算法的执行和应用到足球训练的规划路径,有很强的应用价值,提高团队的训练水平和帮助团队制定合理有效的进攻和防御战略。
2。研究背景
在1950年代,足球爱好者Reippe目标得分进行了一项研究。根据他的计算,大多数目标都得分至少四名球员,和他们的研究创造了足球的传球方式。过去,人工智能已经在其他方面完全错误的答案。例如,人工智能训练视频游戏赢得了以打破游戏规则和法律科学。足球运动员在足球训练数据将会组织各种传递路线经过攻击基于科学训练有效路径规划和掌握拍摄的机会,无论是长传球球或三角进攻战术,一个交通繁忙的,进攻,防守作战计划。人工智能不会取代足球教练,但其影响在未来几年将会更加明显。使用人工智能在足球训练是形成一个无缝的系统,更好的结合了运动员们在赛场上所有位置通过一个连锁效应创造的完美发挥进攻和防守。在短期内,AI可能无法充分发挥其优势,但在未来10甚至5年,人工智能技术将完全融入足球训练路线规划,甚至一些工具将会更加成熟,这样的人工智能产品。随着“教练助理录影机,”不仅可以分析预处理和赛后的情况下还查看数据策略的变化在第一和第二一半(4]。
作为一个高端领域,人工智能是计算机科学相结合的基础上,统计科学、系统科学和人文学科。的科学模拟、延伸和传播人类情感和智力(5]。人工智能的应用领域广阔,如图1。
发展潜力的人工智能芯片的市场规模非常巨大,和图中的数据2表明人工智能芯片的市场规模预计将在2025年超过700亿美元。全球人工智能芯片市场规模从2018年到2025年,其预测结果如图所示2。
人工智能领域的企业投资继续增长,行业逐渐成熟,它可以推断从图3人工智能的发展具有强大的金融支持。企业投资在这个领域市场近年来图所示3。
人工智能的研究成果扩展人类大脑的功能和实际劳动能力的人。人工智能的出现使得科技革命新的生命和活力,开放的时代情报。引入人工智能技术在许多领域也导致了新的方向和新的研究点。随着计算机技术的快速发展,人工智能技术的水平也上升到一个新的水平。应用到各种体育竞赛领域的研究也已成为一种独特的人工智能领域的闪亮点。人工智能的应用,体育活动不仅能增强体育赛事的观众的感官体验和捕捉精彩的瞬间在球场上也做出客观、公正的评估游戏的过程,并在一定程度上,避免裁判法官和运动员之间的纠纷的发生由于未指明的处罚。也满足教练的高期望,运动员,和体育赛事工作人员人工智能技术和各种体育活动注入了新的生机和活力,尤其是对世界的第一运动,足球,显示为足球事件的员工,足球教练,球员,球迷一般(6]。
在足球中,边线裁判领域扮演着重要角色的规则和奖励的权利验证的目标。然而,由于裁判的主观意识会导致争议,裁判是配备电子发生器,可以检测并及时检查裁判的点球的合理性,然后通知裁判结果。作为一种电子及时判断系统领域的足球,“足球电子裁判”可以在每个目标做出及时的判断和是否越位球员在足球比赛和维护比赛的公平性。作为一个产品的人工智能,系统组件的足球电子裁判由两个系统,硬件和软件,并配备了新的高端技术。软件系统包括各种先进的软件工具,包括芯片和相关软件,合理的使用这些工具(7]。硬件系统包括一个足球定位发射机,足球路径跟踪,一个球速度测试器,一个不越位球定位发射器,一个球员定位发射机,和裁判数据接收器,其结构如图4。
越位位置变化的定义在不同的国家和地区足球联赛。根据国际足联,过度处罚的决定是由结合的模式足球场维护足球的处罚规则。根据外推特性线,音高水平设置在二维坐标系中基于二维坐标模型控制足球的球员位置和速度达到一个合理的判断越南足球比赛。其中,越位检测算法组根据游戏规则是根据球员的平面坐标,因此实现经济复苏和解释的平面坐标,需要选择只有一个相机拍摄投影矩阵来解决的目标。这可以消除许多不必要的过程和复杂的计算步骤与传统算法相比,使用多个摄像头进行分析。视频图像的提取和解释后,足球场上的一个二维模型坐标以二进制形式可以获得使用一个优化算法的实现体育场检测和提取。形态优化是基于二维图像的足球场,然后删除噪声和数据提取在开放式8]。领域分析的基础上,则字段区域移除,和二维图像的运动场面积叠加在原始图像的RGB图像的足球场。添加圆形图像和双值图像之后,存储模板包含在主计算机和球场信息建筑模板的作用相互结合来提取和分析视频中出现的场景和越位处罚并完成结果检测和合理有效的分析在足球上执行路径和玩家攻击和防御的有效数据。完成上述步骤后,整个球场面积再次重建在二维坐标系中,随后,足球越位的自治歧视性的算法完成合理的修改以更好地检测越位的情况出现在未来的足球比赛,减少争议的发生场景在体育场处罚错误造成的,和维护公平的足球比赛9]。
3所示。研究方法和材料
3.1。引入遗传算法
3.1.1。遗传算法原理
遗传算法的根源是生物遗传学的原则之一。根据生物遗传学领域的相关专业知识,物种保护自己的特征通过DNA在自己的进化和继承好的特征它们包含的下一代物种通过包含在DNA的基因生物起源的原则(10]。早在1960年代,德国大学教授Hardman和英国遗传学家克雷格分析生物进化中包含的复杂特性。遗传算法已被广泛研究了自1967年以来,当一个年轻人名叫德克Berogh正式介绍了“遗传算法”的概念,从那时起,他们一直作为重要的科学在各科学领域的算法,取得了一系列丰硕成果。由于遗传算法是基于生物遗传学的原理,没有重大区别的原则遗传算法和遗传基因。根据孟德尔的遗传原理,生物遗传学之父,物种进化的本质是基因的重排和基因突变的概率很低,所以上一代的特点,将遗传给下一代实现世界上生物物种的连续性,提高物种的卓越加强物种适应环境的生存能力。遗传算法的基本操作,作为一个相关的原则起源于生物遗传学,正好与上述生物物种进化的本质。遗传算法过程的第一步是计算人口的健康值初始化,其次是健身是否满足收敛条件的确定。如果健身值满足收敛条件,直接进化过程结束;如果健身值不满足收敛条件,选择操作上执行个体适应性函数,然后,交叉操作执行基于变化的概率。后进行选择、交叉和变异,结果转移到第一步继续初始化种群的健身价值的计算直到满足收敛条件计算健身价值; otherwise, the cycle of selection, crossover, and mutation steps continues [11]。遗传算法执行的过程如图5。
3.1.2。遗传算法的定义和基本定理
当使用遗传算法规划路径的足球运动,通过哪些步骤来确保孩子得到迭代关系后执行的控制算法可以保持良好的增长趋势,如何确定关键问题全局最优解时要考虑使用遗传算法进行路径规划。在这一点上,有必要提到遗传算法的两个基本定理:指数增长定理和平均适应度值定理。有了更深层次的了解和分析这两个定理,有必要首先阐明遗传算法的定义(12]。
定义1。每个基因操作符位于扩展位串空间,等等,对应相应的位串空间,信件是根据遗传算法的基本原理。遗传算子是一个特定的模型组字符的长字符串,字符串的位置反映了事实出现在字符串集与遗传算子(有相当大的相关性13]。
定义2。基因位的数量在不同位置具有不同的模式的订单,和两个确定基因的数量包含1和2的模式被定义为的基本顺序模式,这将表示 。在遗传算法的运行过程中,执行的迭代数的增加会导致模式的顺序改变方向相同的确定性来模式。随着订单数量的增加,决定论的模式逐渐增加。随着减少订单数量的,确定性的模式也逐渐减少,和样本的数量将越来越14]。
定义3。长字符串的数量出现在模式可以视为模式的维度,将表示 。在遗传算法中,出现在模式显示的比特数成反比关系的改变样本的数量。,随着一些数量的字符串中出现的模式的增加,样品的数量逐渐减少;相反,长字符串的数量减少导致增加样本数量的目的(15]。
定义4。第一个明确的之间的距离一点一点出现在最后确定的模式出现在距离模式可以视为订单的模式,这将表示 。订单的距离代表的长度定义距离模式,反映了时差确定为第一次事件发生和最后一次确定事件(16]。
(1)指数增长定理。遗传算法的操作过程经过许多步骤,和初始人口受到的执行算法如选择,交叉,变异的遗传算子不满足收敛条件继续健身的计算值初始化人口。在上述算法的执行过程中,含有低阶模式的孩子,其长度不符合标准的定义,和不达到平均水平的健身的健身人口将以非常高的速度增长的人口普查的初步实现高阶进化的模式,及其增长率可以达到指数水平,因此得名“指数增长定理(17]。
(2)平均适应度值定理。在遗传算法的运行过程中,模式在低阶一级的人口可以进化后的高阶算法的执行等选择,交叉,变异的遗传算子。这就是所谓的平均适应度值定理。这个定理是更有利于获得全局最优的解决方案来完成算法的目标同时确保算法的正常运行(18]。
使用初始种群作为起点,将遗传算法应用于路径规划的研究,没有必要单独解决方案集的集解集是已知的。这些已知的解决方案作为最优路径规划在足球训练,初始种群是由提取单个已知可行的路径解决方案问题解空间的范围根据平等原则的提取。设置为起始时刻 ,这 ,和个人为代表的数量 。然后,个人共同构成初始人口变化 ,通常,初始种群中个体的适应性是在低水平,需要改进的遗传算法来模拟生物进化过程中为了找到最终的最优解更容易实现最优路径规划对足球训练,从而提高团队训练效率和帮助匹配团队战术系统(19]。
3.2。改进遗传算法
3.2.1之上。优化参数选择方法
参数的选择占据了一个遗传算法的关键位置。不同控制参数的选择将影响算法过程的收敛效果,甚至整个遗传算法的性能。有很多参数嵌入算法,包括选择概率点,宾夕法尼亚州交叉概率、变异概率pn,和人口规模 。算法中的参数的选择应该记住算法过程的敏感性,以及参数的选择应该做适当的在不影响算法的性能(20.]。
变异算子在优化过程,通常被描述为一个改进的遗传算法。交叉算子的执行期间,一些遗传基因可能不会被保留,当变异算子可以补充和修复丢失的基因并防止遗传算法在收敛过程中扭曲。变异操作的频率控制的变异概率,以便在一个高水平的变异概率,尽管更多的人将使人口多元化蓬勃发展,产生突变的概率越高使得原本好的模式成为贫穷的性能模式。在情况变化的概率是在低水平,不利于变异操作产生新的个体,不能扩大和人口的多样性。虽然好的模型可以继续保持其性能不被破坏,人口多样性的缺乏会影响最优解的收购,从而影响足球理性规划的路径。在实际情况下,它也很容易看到,当变异概率pn在低水平,人口稳定的解决方案是在标准水平状态,捕捉当地的极端时,很难得到全局最优解由于严格控制收敛的效果,和解决方案的同化影响人口可能受到影响,和解决方案的多样性空间处于一个稳定的状态,这是良好的收敛性。因此,当改进遗传算法,变分运算符pn必须控制在合理的时间间隔,以确保其收敛性不受影响。
交叉算子的优化也在改进遗传算法中扮演着不可替代的作用。交叉算子总是控制的交叉概率;因此,交叉概率设置的合理性直接影响到交叉算子的操作。如果交叉概率没有设置合理的水平,这将导致遗传算法运行阻塞性。交叉操作的频率也控制的交叉概率。如果交叉概率是在高级别上,后代会跨越足够,但这并不意味着善良的人口将会改善。相反,人口将被摧毁的好模式的高频交叉操作,导致一个很大的代沟。如果在低水平交叉概率,每一代的交叉频率将会减少,这将产生一个较小的代沟,从而保持解决方案空间的连续性和促进收购更大程度上的全局最优解。然而,交叉频率过低会导致缓慢的进化,甚至更多的人将会直接复制到下一代,造成进化停滞。因此,当改进遗传算法,它还需要控制交叉算子pa在合理的范围内,以防止严重的后果太大或太小。
虽然不产生新个体的主要方法,变异操作中起主导作用的改进遗传算法,尤其是对全局搜索能力。交叉操作产生新个体的主要方法,发挥着不可替代的作用,提高遗传算法的局部搜索能力。改进遗传算法的过程中,的概率控制在合理的范围内,和两个运营商提升为相互结合使用,以满足之间找到一个平衡全局搜索能力和局部搜索能力,并提高遗传算法的搜索性能作为一个整体,然后找到全局最优解。
3.2.2。改进算法的终止条件
作为一个复杂的算法,模拟生物基因的遗传性能遗传算法不能无限期保持算法没有获得的最优解。为了确保算法的完整性和可靠性,有必要设置一个合理的指标算法,以便其执行进程终止在给定的指标。最初的设置标准遗传算法的终止条件是不利于一个良性循环的算法。因此,同时保留遗传算法终止条件的善,四个终止标准介绍:收敛性能指标,迭代计算指标,衡量指标,和人类的期望指标。如图所示的细节6。
收敛性能指标:在执行的标准,一个合理的大小判断了收敛性能。在执行算法时的收敛程度的大小在一个较高的水平,这意味着算法在一定程度上被执行,当人口中单个字符串的大小几乎是相同的,在这种情况下,终止算法获得的结果是接近全局最优解
迭代计算指标:算法的迭代次数的大小影响了算法的效率。执行的算法的迭代次数时在一个合理的数字,算法的精度已经达到一个相当高的水平。继续执行迭代不仅不能保证更高层次的精度,还降低了算法的效率,甚至结果逐渐偏离全局最优的解决方案
时间指标:任何算法都必须在指定的时间内完成;因此,为了保证算法的完整性和可靠性,有必要设置一个合理的时间内执行的算法。这里提到的时间不仅指的长度计算,还应该包括个人和迭代生成的总数
人类期望指标:除了上面的三个客观指标,人类主观指标也应根据具体情况设置。当算法的执行水平达到心理预期标准,该算法可以灵活选择终止算法,这不仅可以节省不必要的操作的数据量,也节省了计算时间,提高计算效率
4所示。结果与讨论
4.1。评价改进的遗传算法应用到足球训练路径规划
例如,作为全球搜索算法,遗传算法可以简化一些复杂问题的分析,在实际的情况下,通过合理的执行算法的迭代次数,系统的收敛程度控制在合理的范围内,以寻求全局最优解得到最好的足球训练和路径指示方向未来的团队训练。该算法可以用来找到最优路径未来的团队训练。然而,遗传算法也有许多缺点,例如,人口规模设置的问题。如果设置了人口规模过大,会增加计算的数据量,从而增加全球搜索时间和降低了搜索效率。如果设置了人口规模过小,虽然它能提高收敛速度,它可能会导致结果逐渐偏离全局最优的解决方案。此外,编码设置的合理性和遗传算子的设计影响进化的效果和搜索能力。如果有不好的编码和遗传算子的设计问题,这将导致微不足道进化的影响,这将影响到全局搜索能力。遗传算法将在手动操作,容易出错和不合理的终止条件会影响正常进化的人口和减少程度的卓越的遗传算法。有很多足球培训路径的变化,这对遗传算法的准确性有很高的要求,需要遗传算法发挥其优良的性能得到最好的足球训练的道路。
评价的改进遗传算法,有两个指标评估算法的性能:适应性能指标和绩效指标的平均累积。
以下4.4.1。适应性性能指标
健身的健身性能指标是平均价值从第一代发展到目前这一代在遗传算法的操作。注意的是健身性能指标 , 可以表示为
在方程(1),代表了健康策略的性能的背景下 ,在哪里表示平均适应度函数值的时刻或代在人口和的结果后进行推导。
4.1.2。性能平均累积指数
性能的平均累积指数指的是平均性能积累在遗传算法的运行时的最佳性能。性能平均累积指数可以写成 ,和它的函数值可以表示
在方程(2),代表的平均性能的策略的背景下 ,在哪里表示迭代周期和的结果后进行推导。
经过上面的分析,可以得出结论,健身性能指标反映了整体的平均健康人口的动态演化遗传算法的遗传过程中后代。性能平均累积指数反映了整体的最佳性能累积变化过程在遗传算法的过程中,体现了遗传算法的特点,并有很强的收敛。
在执行的过程中使用遗传算子遗传算法,将会有大量的家长个人和一系列的后代个体,以及如何判断这些人之间的关系是一个必须考虑的问题在执行遗传算法,包括遗传算子的相关系数的值。在遗传算子的操作,相关函数值是通过模拟进化的遗传算子在一个或多个父母。与生物起源的原则,两者之间有很多联系,他们强烈相关。这种关系可以表达的相关系数,如图所示
在上面的方程中,代表的平均条件的后代。 代表了协方差代表条件随机条件下的标准偏差。新个体的能力接近随机搜索取决于相关系数的绝对值。如果运营商的相关系数比较绝对,然后产生新的个体的能力将逐渐偏离随机搜索。如果相关系数的绝对值较高,遗传算子的能力来创建新的个人会更高。因此,相关因素可以用来评估功能的遗传算子。
4.2。足球训练基于改进遗传算法的路径规划
第一步计划足球训练时要考虑路径编码的参数问题。比赛场地是构造一个二维平面坐标地图,和球员和足球的位置以及目标框架可以测量的坐标。球的球场的中心点开始坐标的原点。所有路径从起始点到目标点可以表示成向量,这样不仅可以观察到路径距离的大小,还可以确定其方向和位置特征。合理的路径并不是越短越好,但其有效性通过或拍摄应该考虑。最优路径在不同战术系统可以通过遗传算法的操作。
可以理解的部分文章材料和方法,使用遗传算法进行路径规划时,可以找到最优路径对足球训练,尽管它可能会使用迭代遗传学和遗传算子的操作来获得全局最优的解决方案。然而,对于一个现实的运动像足球,充满了各种可能性,竞技场对抗环境可以在任何时间和改变大大充满各种未知的可能性。遗传算法需要改进大量数据以最大化其性能,这需要一定的时间,显然不能满足实时需求的足球。基于场地环境的全面分析,可以知道对手和队友之间的位置变化实时和两队互相玩时是不可预测的。队友之间传递可能被对方球员突然出现。在这种情况下,一种改进的遗传算法应用于选择最优路径,避免对方球员拦截,当团队球员传球。和一个简单的数据计算执行找到全局最优解,即为足球训练找到最优路径。改进的遗传算法可以大大提高选择效率最优路径相比,原遗传算法。因此,尤为重要的是,要总结,分类,讨论了各种突发事件发生在比赛场地。当字段是在放松和简单的环境中,模糊逻辑控制方法可以用来找到最好的足球的轨迹; when the field is in a complex and changing environment, the superiority of genetic algorithm can be used for path planning to find the best trajectory of soccer and help the team to develop a reasonable training strategy.
4.3。遗传算法仿真结果分析
从上面的材料,可以看出,在选择最优路径有不同的方法对于足球轨迹不同的球场环境,可以节省时间,提高效率,提高球员的弹性。使用遗传算法模拟训练的许多参数需要初始化和赋值出现在遗传算法。两个常用的参数在这种情况下仿真代数和初始种群的好处,影响算法的执行时间和算法的结果。算法模拟之前,相关的参数需要准备作业。模拟人口规模的价值设置为100,参数字符串的长度吗是设置为20;当模拟代数 ,仿真结果如图所示7。与模拟人口规模和参数字符串长度不变,当模拟代数 ,仿真结果如图所示8。
比较上述两种仿真结果,很容易发现,模拟代数的变化会影响遗传算法模拟人口规模和字符串长度不变。当模拟生成的值很小,等 ,遗传算法将瞬时和稳定在一定的范围内,但解决方案只出现局部最优解,并不能获得全局最优的解决方案。当模拟代数的值设置为一个较大的值,例如 ,遗传算法运行的最优解,因此,高仿真代数的设置会浪费内存空间和大量的数据操作,消耗的时间和精力。因此,可以得出结论,仿真代数的设置应控制在一个合理的范围内,而过高或过低的副作用代数算法应该避免。此外,初始化的设置规模的人口似乎也是非常重要的;当规模太小和已知的解决方案是太少,即使算法可以大致计算出最终结果,输出结果不是全局最优的解决方案。改进的遗传算法比传统的遗传算法时,当然是在一个简单的和放松的环境,减少操作的数据量和计算时间,提高系统的及时性。通过上述方法,操作灵活的算法根据现场环境可以计划足球的道路合理和寻求全局最优的解决方案帮助团队建立的战术计划和赢得战略进攻和防守。
5。结论
本文以足球,世界上最好的足球运动,为入口点和人工智能为研究背景,以提高遗传算法通过提取足球训练函数,将改进的算法应用到足球训练的规划路径帮助球员找到合理有效的最优路径传递或射击。
本文首先介绍了人工智能的优势和发展现状介绍和研究背景部分中,提出了将人工智能技术应用到足球训练路径规划的研究,这使得本文的研究内容有现实的基础。然后,在研究方法和材料,原理和遗传算法的定义和基本定理,介绍了选择和改进的优化参数和算法终止条件是用来创建一个高效的新遗传算法寻找全局最优的解决方案。在论文的结果和讨论,应用改进的遗传算法在足球训练计划是首先评估;然后,应用改进的遗传算法的结果进行了分析,最后,给出了遗传算法的仿真结果。结果表明,遗传改进算法能够计划足球运动的路径合理根据竞争环境的灵活性。鉴于研究时间和个人能力的限制,仍存在一些不完备。仍有许多问题需要进一步探讨,发现足球训练的最优路径规划的改进遗传算法。
数据可用性
数据是可用的。
的利益冲突
作者宣称没有利益冲突。