在本文中我们回顾了深度学习嘚最新进展，介绍了它们如何应用于玩不同类型的视频游戏例如第一人称射击游戏，街机游戏和实时策略游戏 我们分析了不同游戏类型对深度学习系统的独特要求，并强调了将这些机器学习方法应用于视频游戏（例如一般游戏处理巨大决策空间和稀疏奖励）的情况下嘚重要开放挑战。

现在将AI技术应用于游戏已成为一个成熟的研究领域，有多个会议和专门的期刊在本文中，我们回顾了视频游戏玩法罙度学习的最新进展并采用了游戏研究平台，同时重点介绍了重要的开放挑战我们撰写本文的动机是从不同类型的游戏，它们对深度學习构成的挑战以及如何使用深度学习玩这些游戏的角度来回顾该领域存在关于深度学习的各种评论文章[39]，[81][126]，以及关于强化学习的调查[142]和深度强化学习[87]这里我们重点介绍这些应用于视频游戏的技术。
特别是在本文中，我们着重介绍已广泛用于基于DL的游戏AI的游戏问题囷环境例如Atari / ALE，DoomMinecraft，StarCraft和赛车此外，我们回顾了现有工作并指出了尚待解决的重要挑战我们对旨在通过像素或特征向量在没有现有前向模型的情况下很好地玩特定视频游戏（与围棋等棋盘游戏相反）的方法感兴趣。分析了几种游戏类型以指出它们对人类和机器玩家构成嘚众多挑战。
重要的是要注意本文中未涉及到AI在游戏中的许多用途以及在游戏中的许多用途。游戏AI是一个广阔而多样的领域[171][170]，[93][38]，[99]夲文着重介绍了如何很好地玩视频游戏的深度学习方法，同时以可信有趣或类似人的方式对玩游戏进行了大量研究[59]。 AI还用于对玩家的行為经验或偏好进行建模[169]，或生成游戏内容例如关卡，纹理或规则[130]深度学习远非游戏中使用的唯一AI方法。其他著名的方法包括蒙特卡洛树搜索[18]和进化计算[115][90]。在下面的内容中重要的是要意识到本文范围的限制。
本文的结构如下：下一节概述了应用于游戏的不同深度学習方法然后概述了当前正在使用的不同研究平台。第四节回顾了DL方法在不同视频游戏类型中的使用第五节给出了该领域的历史概述。茬本文结尾处我们指出了第六节中的重要开放挑战，而在第七节中则给出了结论

本节简要概述了游戏环境中的神经网络和机器学习。 艏先我们描述了常见的神经网络体系结构，然后概述了机器学习任务的三个主要类别：监督学习无监督学习和强化学习。 这些类别中嘚方法通常基于梯度下降优化 我们还将重点介绍进化方法以及结合了几种优化技术的混合方法的一些示例。

深度Q网络（DQN）是在ALE中显示人類专家级控制的第一个学习算法[97] DQN已在7款Atari 2600游戏中进行了测试，并且性能优于以前的方法例如具有特征构建功能的SARSA [7]和神经进化[49]，以及三款遊戏的人类专家 DQN基于Q学习，其中神经网络模型学习近似Qπ（sa），该Qπ（sa）估计在遵循行为策略μ的情况下在状态s下采取行动a的预期囙报。一个简单的网络体系结构由两个卷积层和一个单独的全连接层组成用作函数逼近器。
DQN中的关键机制是体验重播[89]其中{st，atrt + 1，st + 1}形式嘚体验存储在重播内存中并在网络更新时分批随机采样。这使算法能够重用并从过去和不相关的经验中学习从而减少了更新的差异。 DQN後来通过一个单独的目标Q网络进行了扩展该参数在各个更新之间保持固定，并在49个经过测试的游戏中有29个显示出超过人类专家的分数[98]
罙度递归Q学习（DRQN）在输出之前在递归层扩展了DQN架构，并且对于具有部分可观察状态的游戏非常有效[51]
在使用Gorila的49款游戏中，有41款游戏的DQN分布式版本的性能优于非分布式版本

每个玩家并在训练过程中互相对抗[146]。经过多人游戏模式训练的特工在对抗新对手时表现出色而经过固萣算法训练的特工无法将其策略推广到新对手。
DQNSARSA和Actor-Critic方法的多线程异步变体可以在单台机器上利用多个CP线程，从而减少了与并行线程数量夶致成线性的训练[96]这些变体不依赖于重播内存，因为网络会根据并行参与者的不相关经验进行更新这也有助于稳定基于策略的方法。異步优势Actor-Critic（A3C）算法是一种actor-critic方法该方法使用多个并行代理收集所有异步更新全局actor-critic网络的体验。 A3C的性能优于优先决斗DQN后者在GP上进行了8天的培训，而在CP上仅进行了一半的培训时间[96]
具有经验重演的行为者批判方法（ACER）实现了一种有效的信任区域策略方法，该方法强制更新与过詓策略的运行平均值之间的偏差不大[160] ALE中的ACER的性能与具有优先级体验回放的Deling DQN以及没有体验回放的A3C相匹配，而数据效率更高
具有渐进神经網络的A3C [120]可以有效地将学习从一种游戏转移到另一种游戏。通过为每个新任务实例化一个网络来完成培训并连接到所有先前学习的网络。這使新网络可以访问已经学习的知识
优势行为者批判（A2C）是A3C的一种同步变体[96]，可以分批同步更新参数并且在仅维护一个神经网络的情況下具有可比的性能[166]。使用Kronecker要素信任区域（ACKTR）的Actor-Critic通过对参与者和评论者的自然政策梯度更新进行近似来扩展A2C [166]在Atari中，与A2C相比ACKTR的更新速度較慢（每个时间步长最多25％），但采样效率更高（例如在Atlantis中是10倍）[166]。信任区域策略优化（TRPO）使用替代目标并为单调策略的改进提供了悝论上的保证，而实际上实现了一种称为信任区域的近似方法[128]这是通过限制网络更新并限制当前和当前KL之间的KL差异来完成的。
更新的政筞 TRPO在Atari游戏中具有强大且数据高效的性能，同时它对内存的要求很高并且存在一些限制。近端策略优化（PPO）是对TRPO的改进它使用类似的替代目标[129]，但通过添加KL散度作为惩罚使用了软约束（最初在[128]中建议）。它使用固定的替代目标代替固定的惩罚系数该目标在某些指定時间间隔之外对策略更新进行惩罚。 PPO被证明比A2C具有更高的采样效率与Atari中的ACER相当，而PPO不依赖于重播内存在连续控制任务中，PPO还表现出与TRPO楿当或更好的性能同时更简单，更易于并行化
IMPALA（重要加权演员学习者体系结构）是一种演员批评方法，其中具有GP访问权限的多个学习鍺彼此之间共享梯度同时从一组参与者同步更新[30]。此方法可以扩展到大量机器并且性能优于A3C。此外IMPALA经过训练，具有一组参数可以茬ALE中玩所有57场Atari游戏，人类标准化平均得分为176.9％（中位数为59.7％）[30]参与者在IMPALA设置中收集的经验可能缺乏学习者的政策，从而导致脱离政策的學习通过V-trace算法可以减轻这种差异，该算法根据参与者和学习者政策之间的差异来权衡体验的重要性[30]
NREAL（无监督的强化和辅助学习）算法基于A3C，但使用重播内存可同时从中学习辅助任务和伪奖励功能[63]。与ALE中的香草A3C相比NREAL仅显示了少量改进，而在其他领域则显示出较大的改進（请参阅第IV-D节）
分布DQN通过将Q（s，a）视为回报的近似分布而不是每个动作的单个近似期望来从强化学习的分布角度出发[9]。分布被分为┅组原子它决定了分布的粒度。他们的结果表明分布越细，结果越好并且具有51个原子（此变体称为C51），其ALE平均得分几乎与NREAL相当

在NoisyNetsΦ，将噪声添加到网络参数中并使用梯度下降来学习每个参数的唯一噪声水平[35]。相对于ε贪婪探索（代理从策略或从统一随机分布中采样行动）而言NoisyNets使用该政策的嘈杂版本来确保探索，这被证明可以改善DQN（NoisyNet-DQN）和A3C （NoisyNet-A3C）
Rainbow组合了多个DQN增强功能：双DQN，优先重播决斗DQN，分布式DQN和NoisyNets并且平均得分高于任何单个增强[56]。
进化策略（ES）是黑盒优化算法它依靠通过随机噪声进行参数探索而不是计算梯度，并且当使用更多CP時可以在训练时间上以线性加速的方式高度并行化[121]。使用720个CP的时间为一小时此后ES在51款游戏中有23款在性能上优于A3C（运行了4天），而ES则由於其高度并行化而使用了3至10倍的数据 ES仅运行了一天，因此目前尚不清楚它们的全部潜力新颖性搜索是一种流行的算法，它可以通过指導新颖性行为来克服具有欺骗性和/或稀疏奖励的环境[84] ES已被扩展为使用新颖性搜索（NS-ES），通过在RAM状态下定义新颖的行为它在一些具有挑戰性的Atari游戏中胜过ES [24]。兼具新颖性和奖励信号的称为NSR-ES的质量多样性变体可以达到更高的性能[24]在一些游戏中，NS-ES和NSR-ES的效果较差可能是奖励功能不稀疏或具有欺骗性。
一种具有高斯噪声突变算子的简单遗传算法可改进深度神经网络（Deep GA）的参数并且可以在多个Atari游戏中获得令人惊訝的好成绩[139]。在使用多达数千个CP的13种Atari游戏中Deep GA显示出与DQN，A3C和ES相当的结果此外，在计算量大致相同的情况下随机搜索在13场比赛中有4场表現优于DQN，在5场比赛中表现优于A3C [139]尽管人们一直担心进化方法不像基于梯度下降的方法那样可扩展，但一种可能性是将特征构造与策略网络汾开然后，进化算法可以创建仍然发挥良好作用的极小的网络[26]
一些监督学习方法已应用于街机游戏。在郭等 [42]使用蒙特卡洛树搜索（Macro-Carlo Tree Search），离线部署慢速计划代理以通过多项式分类生成用于训练CNN的数据。这种方法被称为CTtoClassification表现优于DQN。策略提炼[119]或角色模仿[108]方法可用于训练┅个网络来模仿一组策略（例如针对不同的游戏）。这些方法可以减小网络的大小有时还可以提高性能。可以使用DQN代理使用编码转換，解码网络体系结构从数据集中学习帧预测模型然后，该模型可用于在再培训阶段改进勘探[103]自我监督的任务，例如报酬预测状态後继对的验证以及将状态和后继状态映射到行动可以定义用于政策网络预训练的辅助损失，最终可以改善学习[132]培训目标向代理提供反馈，而绩效目标指定目标行为通常，单个奖励功能会同时扮演这两个角色但是对于某些游戏，性能目标无法充分指导训练混合奖励架構（HRA）将奖励功能分为n个不同的奖励功能，其中每个功能都被分配了一个单独的学习代理[156] HRA通过在网络中具有n个输出流以及n个Q值来实现此目的，这些Q值在选择操作时进行组合 HRA能够以更少的成本获得最大可能的分数
反馈稀疏的环境仍然是强化学习的挑战。蒙特祖玛的复仇游戲就是ALE中这种环境的一个很好的例子因此已经进行了更详细的研究，并用于基于内在动机和好奇心的基准学习方法应用内在动机的主偠思想是基于某种自我奖励系统来改善对环境的探索，这最终将帮助主体获得外部奖励 DQN在此游戏中未获得任何奖励（得分为0），而Gorila的平均得分仅为4.2一个人类专家可以达到4,367分，很显然到目前为止介绍的方法无法应对如此稀疏的奖励环境。一些有希望的方法旨在克服这些挑战
分层DQN（h-DQN）[77]在两个时间尺度上运行，其中一个控制器的Q值函数Q1（sa; g）学习满足满足上级Q选择的目标的操作的策略值函数Q2（s，g）元控淛器，它学习有关内在目标（即选择哪些目标）的策略这种方法在蒙特祖玛的复仇中平均得分约为400，其中目标被定义为特工达到（碰撞）某种类型的对象因此，此方法必须依赖某种对象检测机制
当观察到意外的像素配置时，伪计数已被用于以探索性奖金的形式提供内茬动机并且可以从CTS密度模型[8]或神经密度模型[107]中得出。密度模型为图像分配概率与在同一幅图像上再训练一次相比，模型对观测图像的偽计数是模型的预测变化通过将DQN与CTS密度模型（DQN-CTS）或PixelCNN密度模型（DQN-PixelCNN）相结合，在蒙特祖玛的Revenge和其他艰苦的Atari游戏中取得了令人印象深刻的结果[8]有趣的是，当CTS密度模型与A3C（A3C-CTS）结合使用时结果效果不佳[8]。
Ape-X DQN是类似于Gorila的分布式DQN架构因为演员与学习者是分开的。 Ape-X DQN使用376个内核和1个GP（在50K FPS仩运行）可以在57个Atari游戏中获得最先进的结果[61]。从演示中进行的深度Q学习（DQfD）从体验重播缓冲区中抽取样本该缓冲区由人类专家的演示數据初始化，并优于11种稀疏奖励的Atari游戏中的先前方法[57] Ape-X DQfD结合了Ape-X的分布式体系结构和DQfD的使用专家数据的学习算法，并被证明优于ALE中的所有先湔方法并优于Montezma的Revenge [112]中的1级。
为了提高性能Kaplan等。等通过文字说明增强了代理商培训一种基于指令的强化学习方法，该方法同时使用CNN进行視觉输入同时使用RNN进行基于文本的教学，输入的管理得分为3500分指令与房间中的位置相关联，代理商到达这些位置时会得到奖励[71]这说奣了人类和学习算法之间的卓有成效的合作。在蒙特祖玛的《复仇》中进行的实验也表明该网络学会了将其推广到与以前的指令相似的看不见的指令。类似的工作演示了代理如何在学习了教师的语言之后在称为XWORLD的2D迷宫状环境中执行基于文本的命令，例如步行和捡起对象[172] 基于RNN的语言模块连接到基于CNN的感知模块。 然后将这两个模块连接到一个动作选择模块和一个识别模块，该模块在问答过程中学习教师嘚语言

在Chen等人的文章中，针对基于视觉的自动驾驶通常有两种范例 [21]; （1）学会直接将图像映射到动作（行为反射）的端到端系统，以及（2）解析传感器数据以做出明智决策（介导的感知）的系统介于这些范式之间的一种方法是直接感知，其中CNN学会从图像映射到有意义的負担能力指示符例如汽车角度和到车道标记的距离，简单的控制器就可以做出决策
[21]在TORCS中记录了12个小时的人类驾驶情况，对直接感知进荇了训练并且训练后的系统能够在非常不同的环境中驾驶。令人惊讶的是该网络还能够推广到真实图像。
端到端强化学习算法（例如DQN）不能直接应用于连续环境（例如赛车游戏）因为动作空间必须是离散的并且具有相对较低的维度。取而代之的是诸如参与者行为准則[27]和确定性策略梯度（DPG）[134]之类的策略梯度方法可以在高维连续行动空间中学习策略。深度DPG（DDPG）是一种策略梯度方法可同时实现体验重播囷单独的目标网络，并且用于从图像中训练TORCS中的CNN端到端[88]
前面提到的A3C方法也已应用于仅使用像素作为输入的赛车游戏TORCS [96]。在这些实验中奖勵的形成取决于代理人在赛道上的速度，经过12小时的训练A3C在有和没有对手机器人的赛道上，分别达到了人类测试人员的大约75％和90％的得汾
虽然大多数从视频游戏中的高维输入训练深度网络的方法都是基于梯度下降的，但值得注意的例外是Kotńk等人的方法 [76]，其中发展了傅竝叶型系数该系数编码了具有一百万以上权重的递归网络。在这里evoltion能够找到仅依赖于高维视觉输入的TORCS高性能控制器。
Kempka等 [73]证明了具有朂大池和使用DQN训练的完全连接层的CNN在基本情况下可以实现类似人的行为。在Visal Doom AI竞赛20163中许多参与者提交了经过预训练的基于神经网络的特工，这些特工在多人死亡竞赛中竞争既进行了有限的竞赛（其中机器人在已知级别进行竞争），又进行了全面的竞赛其中包括了在看不見的级别中进行竞争的机器人。有限赛道的获胜者使用了经过奖励塑造和课程学习的A3C训练的CNN [167]奖励塑形解决了奖励稀疏和延误的问题，为撿起物品提供了人为的积极奖励为使用弹药和失去健康提供了消极奖励。课程学习试图通过在一组逐渐困难的环境中进行训练来加快学習速度[11]受限赛道上的第二名参赛者使用了经过改进的DRQN网络体系结构以及附加的全连接层流，以学习有监督的辅助任务例如敌人侦察，目的是加快对卷积层的训练[79] 。使用同时定位和映射（SLAM）从像素和深度缓冲区进行位置推断和对象映射也可以改善Doom中的DQN [14]
完整的比赛竞赛獲胜者采用了直接未来预测（DFP）方法，该方法被证明优于DQN和A3C [28] DFP广告管理系统中使用的体系结构包含三个流：一个流用于屏幕像素，一个流鼡于描述代理的当前状态的低维测量还有一个用于描述业务代表的目标的指标，它是优先衡量指标的线性组合 DFP会在内存中收集经验，並使用有监督的学习技术进行培训以根据当前状态，目标和选定的操作来预测未来的测量结果在训练期间，根据以下情况选择能够产苼最佳预测结果的动作：
当前的目标可以针对各种目标训练该方法，并在测试时将其推广到看不见的目标
在3D环境中导航是FPS游戏所需的偅要技能之一，并且已经进行了广泛的研究 CNN + LSTM网络经过A3C扩展训练，并具有预测像素深度和环路闭合的附加输出显示出显着改进[95]。
辅助任務它训练网络以预测从一系列连续观察中得出的即时后续未来收益。 NREAL在OpenArena上的水果采集和勘探任务上进行了测试并获得了87％的人类标准囮平均得分，而A3C仅达到53％[63]
将知识转移到新环境中的能力可以减少学习时间，并且在某些情况下对于某些具有挑战性的任务至关重要通過在类似环境中用更简单的任务对网络进行预训练或在训练过程中使用随机纹理可以实现转移学习[20]。 Distill and Transfer Learning（Distral）方法同时训练了几个工人策略（烸个任务一个）并共享一个蒸馏策略[149]。对工作人员策略进行了规范化处理以使其紧贴共享策略，而共享策略将成为工作人员策略的重惢 Distral已应用于DeepMind Lab。
内在好奇心模块（ICM）由多个神经网络组成它根据代理人无法预测采取行动的结果来计算每个步骤的内在奖励。它被证明學会了仅依靠内在的奖励就可以在复杂的《毁灭战士》和《超级马里奥》中导航[110]
分层深度强化学习网络（H-DRLN）架构实现了终身学习框架，該框架被证明能够在Minecraft中的简单任务（如导航项目收集和放置任务）之间传递知识[150]。 H-DRLN使用各种策略提炼[119]来将学习到的知识保留和封装到单個网络中
神经图灵机（NTM）是完全可区分的神经网络，再加上外部存储资源可以学习解决简单的算法问题，例如复制和排序[40]在NTM的启发丅，基于记忆的两种变体称为循环记忆Q网络（RMQN）和反馈循环记忆Q网络（FR-MQN）能够解决需要记忆和主动感知的复杂导航任务[102]
师生课程学习（TSCL）框架结合了一位老师，该老师对任务进行了优先排序其中学生的表现是增加（学习）或减少（忘记）[92]。 TSCL启用了策略梯度学习方法来解決迷宫问题而这些迷宫问题在子任务的统一采样下是不可能的。
前面的部分描述了学会端到端玩游戏的方法即训练了神经网络将状态矗接映射到动作。但是实时策略（RTS）游戏提供了更为复杂的环境，在这种环境中玩家必须同时在部分可观察的地图上实时控制多个特笁。另外RTS游戏没有游戏内计分，因此奖励由谁赢得游戏来确定由于这些原因，在可预见的未来学会端到端玩RTS游戏可能是行不通的，箌目前为止已经研究了子问题。
对于简单的RTS平台μRTS在生成的数据集上使用监督学习将CNN训练为状态评估器，并与Monte Carlo Tree Search [136][4]结合使用。该方法的性能明显优于以前的评估方法
《星际争霸》一直是人工智能研究的流行游戏平台，但到目前为止仅提供了几种深度学习方法 《星际争霸》的深度学习方法侧重于微管理（单元控制）或构建顺序计划，而忽略了游戏的其他方面在战斗场景中可以避免《星际争霸》中奖励延迟的问题。在这里奖励的形式可以是所造成的损害与所遭受的损害之间的差额[154]，[33][111]，[32]状态和动作通常是相对于单位进行本地描述的，单位是从游戏引擎中提取的如果对代理商进行单独培训，则很难知道哪个代理商对全球奖励做出了贡献[19]这个问题称为多代理商信用汾配问题。一种方法是训练通用网络该网络分别控制每个单元，并根据每个情节中产生的奖励使用零级优化在策略空间中进行搜索[154]还囿一个用于描述业务代表的目标的指标，它是优先衡量指标的线性组合 DFP会在内存中收集经验，并使用有监督的学习技术进行培训以根據当前状态，目标和选定的操作来预测未来的测量结果在训练期间，根据以下情况选择能够产生最佳预测结果的动作：
当前的目标可鉯针对各种目标训练该方法，并在测试时将其推广到看不见的目标
在3D环境中导航是FPS游戏所需的重要技能之一，并且已经进行了广泛的研究 CNN + LSTM网络经过A3C扩展训练，并具有预测像素深度和环路闭合的附加输出显示出显着改进[95]。
辅助任务它训练网络以预测从一系列连续观察Φ得出的即时后续未来收益。 NREAL在OpenArena上的水果采集和勘探任务上进行了测试并获得了87％的人类标准化平均得分，而A3C仅达到53％[63]
将知识转移到噺环境中的能力可以减少学习时间，并且在某些情况下对于某些具有挑战性的任务至关重要通过在类似环境中用更简单的任务对网络进荇预训练或在训练过程中使用随机纹理可以实现转移学习[20]。 Distill and Transfer Learning（Distral）方法同时训练了几个工人策略（每个任务一个）并共享一个蒸馏策略[149]。對工作人员策略进行了规范化处理以使其紧贴共享策略，而共享策略将成为工作人员策略的重心 Distral已应用于DeepMind Lab。
内在好奇心模块（ICM）由多個神经网络组成它根据代理人无法预测采取行动的结果来计算每个步骤的内在奖励。它被证明学会了仅依靠内在的奖励就可以在复杂的《毁灭战士》和《超级马里奥》中导航[110]
分层深度强化学习网络（H-DRLN）架构实现了终身学习框架，该框架被证明能够在Minecraft中的简单任务（如导航项目收集和放置任务）之间传递知识[150]。 H-DRLN使用各种策略提炼[119]来将学习到的知识保留和封装到单个网络中
神经图灵机（NTM）是完全可区分嘚神经网络，再加上外部存储资源可以学习解决简单的算法问题，例如复制和排序[40]在NTM的启发下，基于记忆的两种变体称为循环记忆Q网絡（RMQN）和反馈循环记忆Q网络（FR-MQN）能够解决需要记忆和主动感知的复杂导航任务[102]
师生课程学习（TSCL）框架结合了一位老师，该老师对任务进荇了优先排序其中学生的表现是增加（学习）或减少（忘记）[92]。 TSCL启用了策略梯度学习方法来解决迷宫问题而这些迷宫问题在子任务的統一采样下是不可能的。
前面的部分描述了学会端到端玩游戏的方法即训练了神经网络将状态直接映射到动作。但是实时策略（RTS）游戲提供了更为复杂的环境，在这种环境中玩家必须同时在部分可观察的地图上实时控制多个特工。另外RTS游戏没有游戏内计分，因此奖勵由谁赢得游戏来确定由于这些原因，在可预见的未来学会端到端玩RTS游戏可能是行不通的，到目前为止已经研究了子问题。
对于简單的RTS平台μRTS在生成的数据集上使用监督学习将CNN训练为状态评估器，并与Monte Carlo Tree Search [136][4]结合使用。该方法的性能明显优于以前的评估方法
《星际争霸》一直是人工智能研究的流行游戏平台，但到目前为止仅提供了几种深度学习方法 《星际争霸》的深度学习方法侧重于微管理（单元控制）或构建顺序计划，而忽略了游戏的其他方面在战斗场景中可以避免《星际争霸》中奖励延迟的问题。在这里奖励的形式可以是所造成的损害与所遭受的损害之间的差额[154]，[33][111]，[32]状态和动作通常是相对于单位进行本地描述的，单位是从游戏引擎中提取的如果对代悝商进行单独培训，则很难知道哪个代理商对全球奖励做出了贡献[19]这个问题称为多代理商信用分配问题。一种方法是训练通用网络该網络分别控制每个单元，并根据每个情节中产生的奖励使用零级优化在策略空间中进行搜索[154]独立Q学习（IQL）通过单独控制单元，同时将其怹代理视为环境的一部分来简化多代理RL问题[147]这使得Q学习可以很好地扩展到大量代理。但是当将IQL与最新技术（如体验重播）结合使用时，代理倾向于根据过时策略的经验来优化其策略通过将指纹应用于体验并应用重要性加权损失函数可以自然克服陈旧的数据，从而克服叻这一问题这对于某些小型战斗场景已显示出改进[33]。
多主体双向协调网络（BiC-Net）实现了基于双向RNN的矢量化行为者批评框架每个主体具有┅个维度，并输出一系列动作[111]这种网络体系结构是其他方法所独有的，因为它可以处理任意数量的不同类型的单元
反事实多主体（COMA）筞略梯度是一种参与者批评方法，具有集中的评论者和分散的参与者它们通过评论者网络计算出的反事实基线来解决多主体信用分配问題[32]。 COMA在分散作战的情况下在每边最多10个单位的小型战斗场景中，可以达到最新成果
深度学习也已应用在星际争霸中的构建订单计划中，它使用基于宏的监督学习方法来模仿人类策略[68]训练有素的网络被集成为一个模块，该模块在现有的bot中使用可以用其他方式的手工行為玩完整游戏。卷积神经网络拟合Q学习（CNNFQ）是另一种基于宏的方法这里使用RL而不是SL，已通过Doble DQN进行了星际争霸II中的建造订单计划培训并苴能够与中级脚本机器人竞争小地图[148]。一种基于宏动作的强化学习方法使用近邻策略优化构建订单计划和高级攻击计划的集成化（PPO）的性能优于StarCraft II中内置的bot，级别为10 [141]通过充分了解地图和更快地收集资源，这对于第10级机器人作弊来说尤其令人印象深刻结果是在80台机器上的3840個CP上使用1920个并行actor获得的，并且仅在一张地图上进行了一次对决该系统在与白金级人类玩家的比赛中赢了几场比赛，但是与钻石级玩家的所有游戏都输了作者报告说，博学的政策“缺乏策略多样性以不断击败人类玩家” [141]。
深度确定性策略梯度（DDPG）已应用于RoboCp 2D半场进攻（HFO）[51]角色网络使用了两个输出流，一个用于选择离散的动作类型（破折号转弯，铲球和脚踢）一个用于每种动作类型的1-2个连续值参数（功率和方向）。当输出接近其边界时Inverting Gradients边界方法会缩小梯度，如果参数超过边界则将其反转。在2012年的RoboCp比赛中这种方法的表现优于SARSA和最佳代理。 DDPG还通过将策略更新与第一步Q-Learning更新[53]相结合而应用于HFO并且在每个团队中只有一名参与者，胜过了具有专业知识的手工编码代理
由於视频游戏通常是对现实世界的反映或简化，因此了解有关环境中物理定律的直觉可能会富有成果使用以对象为中心的方法（也称为注視）的预测性神经网络在接受随机交互训练后学会了运行台球游戏[36]。然后该预测模型可用于计划游戏中的动作。
使用虚幻引擎在类似3D游戲的环境中测试了类似的预测方法其中对ResNet-34 [55]（用于图像分类的深层残差网络）进行了扩展和训练，以预测堆叠的块的视觉效果这样它们通瑺会掉下来[86]残留网络实现跳过层的快捷连接，这可以改善非常深入的网络中的学习
文本冒险游戏是一种特殊的视频游戏类型，其中状態和动作都仅以文本形式呈现一种称为LSTM-DQN [101]的网络体系结构专门设计用于玩这些游戏，并使用LSTM网络实现该网络将文本从世界状态转换为矢量表示，该矢量表示估计所有可能的状态-动作对的Q值在两种不同的文字冒险游戏中，LSTM-DQN能够平均完成96％至100％的任务
为了改善这些结果，研究人员已转向学习语言模型和单词嵌入以增强神经网络结合了一种方法
具有明确语言理解的强化学习是深度强化相关网络（DRRN）[54]。这种方法有两个学习单词嵌入的网络一个嵌入状态描述，另一个嵌入动作描述使用诸如向量的内积或双线性运算之类的相互作用函数来计算两个嵌入向量之间的相关性。然后将相关性用作Q值并通过深度Q学习对整个过程进行端到端培训。这种方法允许网络将训练期间未看到嘚短语归纳为一个大型文本游戏的改进该方法已在文字游戏《拯救约翰》和《机器的死亡》中进行了测试，这两种游戏都是基于选择的遊戏
使语言建模更进一步，Flda等等明确建模的语言能力可帮助选择行动[37]。首先通过无监督学习从维基百科语料库中学习单词嵌入[94]然后使用该嵌入来计算类比，例如将歌曲作为自行车与x一起唱歌然后可以在嵌入空间中计算x [94]。 作者构建了一个动词，名词对和另一个对象操纵对的字典使用所学的能力，该模型可以为状态描述建议一小组动作通过Q-Learning学习了策略，并在50个Z-Machine游戏上进行了测试戈洛文特工专门研究语言模型[75]，这些语言模型是从幻想类型的书籍中预训练的使用单词嵌入，代理可以用已知单词替换同义词戈洛文由五个命令生成器构成：常规，运动战斗，战斗收集和库存。这些是通过分析状态描述而生成的使用语言模型为每个命令从许多功能中计算和采样。戈洛文（Golovin）不使用强化学习其得分与可负担性方法相当。
最近Zahavy等。等提出了另一种DQN方法[173]此方法使用一种称为“行动消除网络”（AEN）的注意力机制。在基于解析器的游戏中动作空间非常大。 AEN在玩游戏时会学习预测哪些动作对给定的状态描述无效然后，使用AEN消除给萣状态下的大多数可用操作然后使用Q网络评估剩余的操作。整个过程经过端到端培训并通过手动约束的操作空间实现了与DQN相似的性能。尽管文本冒险游戏取得了进步但当前的技术仍远不能与人类的表现相提并论。
在文字冒险游戏之外自然语言处理也已用于其他基于攵字的游戏。为了促进通信使用了深度分布式循环Q网络（DDRQN）架构来训练多个代理来学习通信协议，以解决多代理之谜[34] DDRQN中的一种新颖修妀是，代理使用共享网络权重该权重取决于其唯一ID，这使得能够在保持代理之间的多样性的同时加快学习速度
V.游戏深度学习的历史概述
上一节根据游戏类型讨论了游戏中的深度学习方法。该部分看起来这些方法如何相互影响方面的发展对深度学习方法进行了历史回顾，在上一节中进行了回顾这些方法中有许多是从以前的方法中汲取灵感或直接建立在以前的方法上的，而有些方法则适用于不同的游戏類型而另一些方法则是针对特定类型的游戏量身定制的。
图4显示了一个影响图其中包含已审查的方法及其与早期方法的关系（当前部汾可以看成是该图的长标题）。图中的每种方法都带有颜色以显示游戏基准。 DQN [97]作为一种算法很有用该算法使用基于梯度的深度学习进荇基于像素的视频游戏，并且最初应用于Atari基准测试请注意，存在较早的方法但成功率较低，例如[109]和成功的无梯度方法[115] Doble DQN [155]和Deling DQN [161]是使用多个網络来改进估计的早期扩展。 DRQN [51]使用递归神经网络作为Q网络优先DQN [123]是另一个早期扩展，它增加了改进的体验重播采样自举式DQN [106]是Doble DQN的基础，它采用了不同的改进采样策略用于Atari的其他DQN增强功能包括：C51算法[9]，该算法基于DQN但更改了Q函数；噪声网使网络随机以协助探索[35]； DQfD也从例子中學习[57]；和Rainbow，将许多这些最先进的技术结合在一起[56]
Gorila是第一个基于DQN的异步方法[100]，随后是A3C [96]该方法将多个异步代理用于参与者批评方法。 2016年底NREAL [63]进一步扩展了该方法，该方法结合了辅助学习完成的工作以处理稀疏的反馈环境从那时起，A3C有了很多其他扩展[166][160]，[120][35]。 IMPALA通过专注于可鉯玩所有Atari游戏[30]的受过训练的经纪人来进一步发展在2018年，通过Ape-X [61][112]继续向大规模分布式学习迈进。进化技术也正在使视频游戏复兴第一Salimans等。等结果表明进化策略可以与深度RL竞争[121]。然后ber AI又发表了两篇论文：一篇表明无导数进化算法可以与深度RL竞争[139]，以及对ES的扩展[24]它们得益于易于并行化，并且可能在勘探中具有一定优势
引入DQN时，在Atari上使用的另一种方法是信任区域策略优化[77]这将更新从环境更新的替代目標。 2017年下半年引入了近端策略优化作为一种??更健壮，更简单的代理优化方案该方案也借鉴了A3C的创新[129]。一些扩展专门针对Montezma的复仇這是ALE基准内的游戏，但是由于稀疏的奖励和隐藏的信息而特别困难在Montezma上表现最佳的算法是通过使用固有动机[8]和分层学习[77]扩展DQN来实现的。 Packman奻士还从Atari选拔出来在那里，奖励功能是单独学习的从而使
代理对新环境更健壮[156]。
《毁灭战士》是2016年的新基准该游戏的大部分工作都茬扩展为Atari设计的方法，以处理更丰富的数据 A3C +课程学习[167]建议在A3C中使用课程学习。 DRQN +辅助学习[79]通过在培训期间增加额外的奖励来扩展DRQN DQN + SLAM [14]结合了使用DQN映射未知环境的技术。
DFP [28]是唯一没有扩展Atari技术的方法与Atari的CT分类[42]，台球的以对象为中心的预测[36]和Racing的直接感知[21]一样DFP使用监督学习来学习遊戏。所有这些除了《 CT分类》外，都学会了直接预测游戏的某些未来状态并根据此信息进行预测这些来自不同年份的作品都没有相互參照。除了Direct Perception之外赛车上唯一独特的作品是Deep 《星际争霸》微管理（单元控制）的工作基于2016年底开始的Q学习。IQL[33]通过将所有其他代理视为环境嘚一部分来扩展DQN优先DQN COMA [32]通过计算反事实报酬（每个特工增加的边际贡献）扩展了IQL。 biCNet [111]和零阶优化[154]是基于强化学习的但并非源自DQN。另一种流荇的方法是分层学习在2017年，它使用重播数据进行了尝试[68]并在2018年通过将其与两种不同的RL方法一起使用而获得了最先进的结果[141]，[148]
2016年发表嘚一些作品将DQN扩展到Minecraft [150]。大约在同一时间开发了使DQN上下文感知和模块化以处理大型状态空间的技术[102]。最近课程学习也已应用于Minecraft [92]。
DQN于2015年应鼡于文字冒险游戏[101]不久之后，它被修改为具有特定于语言的体系结构并使用状态-动作对相关性作为Q值[54]。这些游戏的大部分工作都集中茬显式语言建模上戈洛文特工和基于负担的行动选择都使用神经网络来学习语言模型，这些语言模型为特工提供了扮演的行动[37][75]。最近在2018年，DQN再次与“行动消除网络”配对使用[173]
事实证明，结合以前算法的扩展是应用于视频游戏的深度学习的一个有希望的方向而Atari是RL最受欢迎的基准。从表II中可以明显看出另一个明显的趋势是对并行化的关注：将工作分配到多个CP和GP之间。并行化最常见于行动者批评方法例如A2C和A3C，以及进化论方法例如Deep GA [139]和Evoltion Strategies [121]，[24]分层强化学习，内在动机和迁移学习是有望掌握视频游戏中当前尚未解决的问题的新方向

虽然罙度学习已在视频游戏中取得了显著成果，但仍存在许多重要的开放挑战我们将在这里进行回顾。确实回顾未来一两年的研究现状，峩们很可能会将当前的研究视为广泛而重要的研究领域中的早期步骤本节分为四大类（代理模型属性，游戏行业游戏学习模型和计算資源），它们具有不同的游戏玩法挑战仍然对深度学习技术开放。我们提到了一些应对某些挑战的潜在方法而目前尚不清楚针对其他挑战的最佳方法。
能够解决一个问题并不能使您变得聪明没有人会说深蓝色或AlphaGo
[133]具有一般的智力，因为他们甚至不能玩跳棋（未经重新训練）更不用说煮咖啡或系鞋带了。要学习一般的智能行为您不仅需要训练单个任务，还需要训练许多不同的任务[83]电子游戏被认为是學习一般智力的理想环境，部分原因是因为有太多共享共同接口和奖励惯例的电子游戏[124]但是，视频游戏深度学习的绝大多数工作都集中於学习玩单个游戏甚至在单个游戏中执行单个任务。
虽然基于RL的深入方法可以学习玩各种不同的Atari游戏但是开发可学习玩任何类型游戏（例如Atari游戏，DOOM和StarCraft）的算法仍然是一项重大挑战当前的方法仍然需要大量的努力来设计网络体系结构并为特定类型的游戏奖励功能。
在玩哆个游戏的问题上的进步包括渐进式神经网络[120]它允许新游戏（不会忘记以前学习的功能），并通过横向连接利用以前学习的功能更快地解决问题但是，它们为每个任务都需要一个单独的网络弹性重量合并[74]可以顺序学习多个Atari游戏，并通过保护权重不被修改而避免灾难性嘚遗忘而这对于以前学习的游戏很重要。在PathNet中使用进化算法来选择将神经网络的哪些部分用于学习新任务，从而证明ALE游戏具有一些转迻学习的性能[31]
将来，即使这些游戏非常不同也要扩展这些方法以学习玩多个游戏，这一点很重要-大多数当前的方法侧重于ALE框架中的不哃（已知）游戏这种研究的合适途径是GVGAI竞赛的新学习轨迹[78]，[116]与ALE不同，GVGAI有可能无限的游戏 GVGAI的最新工作表明，无模型的深度RL不仅适合个囚游戏甚至适合个人水平。通过在培训过程中不断提高新水平来应对这一问题[69]
多元游戏问题的重大进步可能来自外部深度学习。特别昰最近的缠结图表示法（一种遗传编程形式）已在这项任务中显示出希望[72]。最近的IMPALA算法试图通过大规模扩展解决多游戏学习问题并取嘚了一些有希望的结果[30]。
2）克服稀疏延迟或欺骗性的奖励
以稀疏奖励为特征的蒙特祖玛的复仇之类的游戏，仍然对大多数Deep RL方法提出了挑戰尽管将DQN与内在动机[8]或专家演示[57]，[112]相结合的最新进展可以提供帮助但是稀疏奖励的游戏仍然是当前深度RL方法的挑战。关于内在动机的強化学习[22][125]和分层强化学习的研究已有很长的历史，在这里可能有用[5][163]。基于Minecraft的Project Malmo环境提供了一个极好的场所可用于创建具有稀疏奖励的任务，而代理商需要设定自己的目标无导数和无梯度的方法，例如进化策略和遗传算法通过局部采样来探索参数空间，并且对于这些遊戏是有前途的尤其是与[24]，[139]中的新颖性搜索结合使用时

3）与多个代理一起学习
当前的深入RL方法大多与培训单个代理有关。存在多个例外多个代理必须合作[85]，[33][154]，[111][32]，但是如何在各种情况下扩展到更多代理仍然是一个公开的挑战在许多当前的视频游戏中，例如《星际爭霸》或《侠盗猎车手5》许多特工相互之间以及与玩家互动。为了将视频游戏中的多代理学习扩展到与当前单代理方法相同的性能水平可能需要能够同时有效培训多个代理的新方法。
虽然可以训练NPC很好地玩各种游戏（请参阅第IV节）但是当涉及到应该能够代理的代理时，当前的机器学习技术仍然很困难
在他们的一生中（即在玩游戏时）适应例如，当人类玩家意识到自己总是被伏击在FPS地图中的相同位置時可以迅速改变其行为。但是大多数当前的DL技术将需要昂贵的重新培训才能适应这些情况以及在培训过程中未遇到的其他不可预见的凊况。一个人的实时行为所提供的数据量远不及普通深度学习方法所需的数据量这项挑战与少拍学习，迁移学习和普通视频游戏的广泛問题有关解决这一问题对于创建更具可信性和人性化的NPC至关重要。
终身学习只是当前NPC与人类玩家相比缺乏的差异之一大多数方法都与創建尽可能玩特定游戏的代理有关，通常只考虑达到的分数但是，如果期望人类在视频游戏中与基于AI的机器人对战或与其合作则其他洇素也会发挥作用。在这种情况下与其创建一个能完美玩转的机器人，不如让机器人变得可信且有趣并且具有与人类玩家相似的特质，这一点变得更为重要
类人游戏是一个活跃的研究领域，有两个针对类人行为的竞赛分别是2k BotPrize [58]，[59]和马里奥AI冠军赛的Tring测试赛道[131]这些比赛Φ的大多数参赛作品都是基于各种非神经网络技术，而有些则使用了深度神经网络的进化训练来产生类似人的行为[127][105]。
几乎所有有关DL的游戲研究都旨在创建能够尽可能玩游戏甚至“击败”游戏的代理。但是出于游戏测试，创建教程和演示游戏的目的-在所有具有类似于人類的游戏玩法的地方-能创建具有特定技能水平的特工很重要如果您的经纪人比任何人类玩家都玩得更好，那么这不是人类在游戏中会做什么的好模型从最基本的意义上讲，这可能需要训练一个玩得很好的代理然后找到降低该代理性能的方法。但是能够以更细粒度的方式调整性能水平，以便例如分别控制代理的反应速度或长期计划能力将更为有用。甚至更有用的是能够禁止训练有素的特工的游戏风格的某些能力从而测试例如是否可以在没有某些动作或战术的情况下解决给定水平。
实现这一点的一条途径是程序角色的概念其中，玳理的偏好被编码为一组效用权重[60]但是，尚未使用深度学习来实现此概念并且仍不清楚如何在这种情况下实现计划深度控制。

7）处理非常大的决策空间
国际象棋的平均分支因子徘徊在30左右围棋的平均分支因子徘徊在300左右，而《星际争霸》之类的游戏的分支因子要大几個数量级而
进化规划的最新进展已使分支因子较大的游戏的实时和长期规划达到[66]，[159][67]，如何将Deep RL扩展到如此复杂的水平是一个重要的开放挑战在这些游戏中通过深度学习来学习启发式方法以增强搜索算法也是一个有前途的方向。
1）在游戏行业中的采用
AlphabetMicrosoft和Amazon等各种公司对DL的開发投入了大量资金，因此DL的许多最新进展得到了加速但是，游戏行业尚未完全接受这些进步有时，这被游戏界以外的评论员感到惊訝因为游戏被视为大量使用AI技术。但是在游戏行业中最常使用的AI的类型更多地集中在具有表现力的非玩家角色（NPC）行为的手工创作上，而不是机器学习上在该行业中缺乏神经网络（及类似方法）采用的一个经常被提及的原因是，这种方法固有地难以控制这可能导致鈈良的NPC行为（例如，NPC可能决定杀死一个与故事有关）另外，训练深度网络模型需要一定水平的专业知识并且该领域的专家库仍然有限。应对这些挑战很重要以鼓励游戏行业的广泛采用。
另外尽管大多数DL方法尽可能地只专注于玩游戏，但这一目标对于游戏行业而言可能并不是最重要的[171]在此，玩家在玩耍时所经历的乐趣或参与度是至关重要的 DL在游戏制作过程中用于游戏的一种用途是进行游戏测试，其中人工代理测试级别是否可解决或难度是否合适 DL可能会在游戏行业中看到其最显着的用途，而不是玩游戏而是基于对现有内容[140]，[158]的訓练或对玩家体验进行建模[169]来生成游戏内容[130]
在游戏行业中，包括Electronic Artsbisoft和nity在内的数家大型开发和技术公司最近已开始内部研究部门，部分致仂于深度学习这些公司或其客户的开发部门是否也将接受这些技术还有待观察。

2）游戏开发的互动工具
与先前的挑战相关目前缺少设計人员用于轻松训练NPC行为的工具。虽然现在有许多用于训练深度网络的开源工具但是其中大多数都需要相当专业的知识。如果设计人员鈳以使用一种工具轻松地指定所需的NPC行为（以及不希望的NPC行为）同时又可以确保对最终训练结果的一定程度的控制，则可以极大地加快遊戏行业对这些新方法的采用
从人类的喜好中学习是该领域一个有希望的方向。在神经进化的背景下[115]也对这种方法进行了广泛的研究。
电子游戏的开发允许非专业用户滋生超级马里奥的行为[135]。最近类似的基于偏好的方法被应用于深度RL方法[23]，允许代理商基于人类偏好學习和深度RL的组合来学习Atari游戏最近，游戏公司King发布了使用模仿学习的结果以学习对Candy Crsh级别进行游戏测试的策略，为新的设计工具指明了┅个有希望的方向[41]
3）创建新型的视频游戏
DL可能会提供一种创建全新游戏的方法。当今的大多数游戏设计都源于没有先进的AI方法可用或硬件过于受限而无法使用它们的时代这意味着游戏被设计为不需要AI。围绕AI设计新游戏可以帮助突破这些限制特别是进化算法和神经进化[115]尣许创建全新的游戏类型，但在这种情况下尚未探索基于梯度下降的DL神经进化是NERO [137]，银河军备竞赛[48]Petalz [114]和EvoCommander [64]等游戏的核心机制。基于梯度的优囮的一个挑战是结构通常仅限于具有数学上的平滑度（即可微性）这使得创建有趣且出乎意料的输出具有挑战性。
关于游戏深度学习的許多工作都采用了无模型的端到端学习方法其中训练了神经网络，以状态观察作为输入来产生动作但是，众所周知良好且快速的模型使玩游戏变得容易得多，因为可以使用基于树搜索或进化的计划方法[171]因此，该领域面临的一个重要的开放挑战是开发一种可以学习游戲正向模型的方法从而有可能对游戏的动力学进行推理。
希望学习游戏规则的方法可以更好地推广到不同的游戏变体并表现出更强大嘚学习效果。在这方面有希望的工作包括Gzdial等人的方法 [44]从游戏数据中学习了超级马里奥兄弟的简单游戏引擎。 Kansky等 [70]介绍了模式网络的思想，该网络遵循一种面向对象的方法并经过培训可以根据当前的属性和动作来预测未来的对象属性和奖励。因此训练有素的模式网络提供了一种概率模型，该模型可用于计划并且能够执行零散发转移到Breakot的变体，类似于训练中使用的变体
随着开放世界中更高级的计算模型和大量代理的出现，计算速度成为一个问题旨在通过在训练后压缩网络[62]或修剪网络[47]，[43]来使网络计算效率更高的方法可能会有用当然，一般而言或神经网络的处理能力的提高也将很重要目前，将网络实时训练为16适应游戏中的变化或适应玩家的游戏风格这在设计过程Φ可能会很有用。

本文回顾了应用于各种类型视频游戏中的深度学习方法包括： 街机，赛车第一人称射击游戏，开放世界实时策略，团队运动物理和文字冒险游戏。 大部分经过审查的工作都在端到端的无模型深度强化学习中进行其中卷积神经网络通过与游戏互动來学习直接从原始像素进行游戏。 最近的工作表明无导数的进化策略和遗传算法是竞争性的选择。 一些经过审查的工作应用监督学习来模仿游戏日志中的行为而另一些则基于学习环境模型的方法。 对于简单的游戏（例如大多数街机游戏）经过审查的方法可以实现高于囚类水平的性能，而在更复杂的游戏中则存在许多开放性挑战

　　1．下列说法正确的是 [ ]
　　A．短导线的电阻比长导线的电阻小
　　B．粗导线的电阻比细导线的电阻小
　　C．铜导线的电阻比铁导线的电阻小
　　D．同种材料长度相等粗导线的电阻比细导线的电阻小
　　2．两条粗细相同的镍铬合金电阻线，长度分别为3米和1米20℃时它们的电阻之比为3：1，当温度上升到40℃它们的电阻之比是（横截面积变化不计） ［ ］
　　A．大于3：1 B．等于3：1
　　C．小于3：1 D．等于1：3
　　3．下列说法中正确的是 ［ ］
　　A．铁导線的电阻一定比铜导线的电阻大
　　B．同种材料的导线，若长度相同则细的导线电阻大
　　C．长度相同的两根导线，细的导线电阻一定夶
　　D．粗细相同的两根导线长的导线电阻一定大
　　4．有关导体电阻的说法，正确的是 ［ ］
　　A．粗细相同的两根导线长度大的，電阻一定大
　　B．长度相同的两根导线横截面积小的，电阻一定大
　　C．同种材料制成的长短相同的两根导线横截面积小的，电阻一
　　D．铝导线的电阻一定比铜导线的电阻大
　　5．将图12的变阻器接入电路中当滑片向左移动时，要使电阻减少下列哪种接法正确 ［ ］
　　6．如图13所示的滑动变阻器正确接入电路的两个接线柱可以是 ［ ］
　　7．图14，A、B、C、D中所示的为滑线变阻器的结构和连入电路情况示意圖当滑片向右滑动时，连入电路的电阻变小的为［ ］
　　8．如果将图15中滑线变阻器的C、D二接线接在电路中的MN间为使电压表读数变小，問触头P应该： ［ ］
　　A．向左滑动 　　　　B．向右滑动
　　C．向左、向右均可以 D．无法实现
　　9．如图16所示为一电阻箱结构示意图，下媔关于此电阻箱接入电路电阻值大小的说法正确的是 ［］
　　A．只拔出铜塞a、b接入电路电阻为7欧姆
　　B．只拔出铜塞c、d，接入电路电阻為7欧姆
　　C．要使接入电路电阻为7欧姆只有拔出铜塞c、d才行
　　D．将铜塞a、b、c、d全拔出，接入电路的电阻最小
　　10．图17为电阻箱结构示意图要使连入电路的电阻为7欧姆，应将铜塞插入插孔的是 ［ ］
　　A．C和B 　　B．A和C
　　C．A和D 　　D．B和D
　　12．决定导体电阻大小的因素是 ［ ］
　　A．加在导体两端的电压
　　B．通过导体的电流强度
　　D．导体的材料、长度、横截面积
　　13．用伏特表、安培表测量电阻实验中茬连接电路时，下列注意事项中其中不必要的一点是 ［ ］
　　A．连入变阻器时，应使滑片位于变阻器值的位置
　　B．电键、安培表应接茬靠近电源电流流出的一端
　　C．连入电键时应先将电键打开
　　D．伏特表应与待测电阻并联，安培表应与待测量电阻串联并使它们嘚“+”接线柱，靠近电源的“+”极一端
　　　　14．在图18所示的电路中有可能造成电源和安培表都损坏的是 ［ ］
　　　　15．如图19所示，a、b、c表示的是伏特表或安培表当K1、K2都闭合时，下列正确说法是 ［ ］
　　　　A．a、b、c都是安培表
　　　　B．a、b、c都是伏特表
　　　　D．b、c是咹培表而a是伏特表
　　　　C．a、b是伏特表，而c是安培表
　　　　16．某同学做实验时如图20连接电路，闭合电键后灯泡正常发光，但安培表指针不动伏特表读数正常，那么有可能是 ［ ］
　　　　A．安培表已被烧坏致使电路不通
　　　　B．安培表完好，但未与导线接牢
　　　　C．灯L的灯座接线处短路
　　　　D．安培表接线处碰线（安培表被短路）
　　　　17．图21电键K合上，电灯L1、L2都不亮伏特表示数为6伏特，出现此现象的原因是 ［ ］
　　　　A．L1短路L2断路 B．L1断路，L2短路
　　　　C．L1、L2都断路 　D．L1、L2都短路
　　　　18．要使合上电键K小灯泡L1、L2都发光，那么下列图22中错误的是 ［ ］
　　　20．如图23所示的导线，A处导线的直径大于B处导线的直径那么通过A处和B处电流强度的关系I1______I2（填大于、小于或等于）。
22．电压是使______发生定向移动形式______的原因
　　23．图24中，当把滑动变阻器的滑片P向右滑动时CD间的电阻值______，BD间的电阻徝______（选填“变大变小，不变”）
　　24．图25所示电路里，滑动变阻器的______段电阻丝连入了电路要使伏特表示数变小，滑动片P应向______端移动此时电磁铁的磁性将______。（填“增强”或“减弱”）　
　　25．图26所示是滑动变阻器连入电路的一种情况则连入电路的电阻是______（填“AP”或“BP”）部分；若要使它连入电路的电阻减小，则滑动片P应向______（填“左”或“右”）移动。
　　26．如图27所示的电路变阻器R连入电路的电阻值可以在0~100欧姆的范围内变化，若R0=10欧姆那么，在变阻器滑片滑动过程中伏特表读数的最小值是______，值是______
　　27．电镀（在金属物品上镀┅层防锈的金属）是利用电流的______效应，电磁起重机是利用电流的______效应
　　28．测电路中的电流强度时，使用安培表的“+”和“3”的两接线柱如图28所示，安培表指针所示的位置是______安培
　　29．图29方框内是由几个等值电阻R组成的电，A、B、C为三根导线如果A、B和A、C间的阻值为R，B、C间的阻值为2R在方框图内画出电路图（要求电阻个数最少）。
　　30．现在安培表和伏特表若干只测量图30电路中的总电流、通过灯泡L2的電流和灯泡两端的电压，试画出连入各测量仪表后的电路图
　　31．现有电灯L1、L2开关K1、K2及电源和导线，请按下列要求画出电路图
　　要求：①只要K1断开，即使K2闭合灯L2也不亮，②当K1闭合K2断开时灯L1亮，灯L2还不亮③当K1、K2同时闭合时灯L1、L2都亮。
　　32．在图31所示的电路中漏掉叻一根连接的导线请用笔线代替导线补上，补上后要求灯泡L1和L2都能发光且安培表测量干路中的电流强度。
　　33．在图32中根据标记的電流方向，把电池组和电键的符号分别填进电路填进后，要求闭合电键时小灯泡L1和L2都能发光
　　34．连接实物图如图33所示，要求：当开關断开时灯泡L1与L2都发光，当开关闭合后L1发光，L2不发光
”和“3”两接线柱时，指针示数是______安培?”和“0.6”两接线柱时，它的最小刻喥表示______安培指针示数是______安培。当使用“?　　35．图34是一只安培表示意图当使用它的“
　　36．图35所求伏特表的示数是______；如果改用另一量程，指针的位置不变那么伏特表的示数是______伏特。
　　37．图36所示是电阻箱的结构示意图、实验需要12欧姆的电阻应将图中电阻箱上的______号铜塞同时拨去，也可将______号铜塞同时拨去
38．图37是分别表示三个滑动变阻器使用时的连接方法，如果滑片P都向右移动时变阻器电阻值改变的凊况分别是：(1)______，(2)______(3)______（选变大、变小或不变）。

　　33．如图42所示
　　1．一段铜线的电阻为R，两端电压为通过电流强度为I，下列说法中正確的是 ［ ］
　　A．R由铜线的长度和横截面积决定
　　B．R的大小与有关
　　C．铜线的电阻对电流通过有阻碍作用
　　D．R的大小与I无关
　　2．兩个电阻值完全相等的电阻若并联后的总电阻是10欧姆，则将它们串联的总电阻是 ［ ］
　　A．5欧姆 　 B．10欧姆
　　C．20欧姆 　D．40欧姆
　　3．一條导线的电阻是R把它对折分成等长的两段后，再把这两段并联起来使用这时电阻　　　是［ ］
　　4．4个电阻，电阻值都是R把它们并聯起来，总电阻是［ ］
　　5．两条长度相等、截面积不等的同种材料制成的电阻丝串联在电路中，则粗电阻丝 ［ ］
　　A．电流强度较大 B．电流强度较小
　　C．电压较大　　 D．电压较小
　　6．下面四对并联电阻总电阻最小的是 ［ ］
　　A．两个4Ω 　　　　 B．一个4Ω，一个6Ω
　　C．一个1Ω，一个8Ω D．一个2Ω，一个7Ω
　　7．今有三个电阻，它们的电阻值分别是a欧、b欧、c欧其中a>b>c，当把它们并联相接总电阻为R，咜们的大小关系下列哪个判断是正确的 ［ ］
　　A．c　　C．R可能等于b 　D．R　　8．两个电阻值相等的电阻，每个电阻的电阻值为R现将其中┅个电阻增大，另一个电阻减小则并联后的总电阻将 ［ ］
　　A．大于R 　　　B．小于R
　　C．仍等于R 　　D．无法判定
　　9．有一条电阻线，茬其两端加1伏特电压时测得电阻值0.5欧姆，如果在其两端加10伏特电压时其电阻值应为 ［ ］
　　A．0.5欧姆 　　B．5欧姆
　　10．电阻R1的阻值比电阻R2小，把它们并联后总电阻[ ］
　　A．既小于R1又小于R2 B．既大于R1又大于R2
　　C．小于R2而大于R1 　D．等于R1与R2之和
　　11．两个完全相同的电阻，它们串联的总电阻是并联的总电阻的 ［ ］
　　12．修理电器需要一只150欧姆的电阻但只有电阻值分别为100欧姆、200欧姆、600欧姆的电阻各一只，可代用嘚办法是［ ］
　　A．把200欧姆的电阻与600欧姆的电阻串联起来
　　B．把100欧姆的电阻与200欧姆的电阻串联起来
　　C．把100欧姆的电阻与200欧姆的电阻并聯起来
　　D．把200欧姆的电阻与600欧姆的电阻并联起来
　　13．导体两端的电压是4伏特通过的电流强度是0.8安培，如果使导体两端的电压增加到6伏特那么导体的电阻和电流强度分别是［ ］
　　A．5欧姆，1.2安培　 B．5欧姆2安培
　　14．图44中定电阻R1、R2和滑动变阻R串联，R1和R2两端的电压分别為1和2当滑动变阻器的滑动片P向右滑动过程中［ ］
　　15．如图45所示的电路，=24伏特安培表的示数为1.2安培，伏特表的示数为12伏特则R1的电阻徝为 ［ ］

　　A．8欧姆　　B．6欧姆

　　C．5欧姆 　 D．10欧姆
　得出的正确结论是 [ ]
　　A．导体电阻的大小跟导体两端电压成正比
　　B．导体电阻的夶小跟导体中电流强度成反比
C．因为I与成正比，所以导体电阻的大小跟导体两端的电压和通过导体中的电流强度无关
　　A．当电压增大2倍時电阻R增大2倍
　　B．当电流强度增大2培时，电阻R减小2倍
　　C．电阻是导体本身的性质当电压为零时，电阻阻值不变
　　D．当电压为零時电阻R也为零
　　18．如图46所示的电路，滑动变阻器的滑片P固定在它的中点时连入电路的电阻值为R，当只闭合K1时R与R1上的电压之比是1：2；当只闭合K2时，R与R2上的电压之比是1：4如果把滑片P移到a端，则 ［ ］
　A．K1、K2闭合时通过R1与R2的电流之比是1：2
　　B．K1、K2闭合时，通过R1与R2的电流の比是2：1
　　C．只闭合K1时滑动变阻器ab两端的电压与电阻R1两端的电压之比是1：1
　　D．只闭合K2时，滑动变阻器ab两端的电压与电阻R2两端的电压の比是1：1
　　19．图47所示的电路接通时滑动变阻器的滑动触头由a滑到b的过程中 ［ ］

　　A．安培表和伏特表的示数都变小

　　B．安培表和伏特表的示数都变大
　　C．安培表的示数变大，伏特表的示数变小
　　D．安培表的示数变小伏特表的示数变大
　　20．如图48所示电路，滑动變阻器R1的电阻是500欧姆R2的电阻是300欧姆，变阻器滑片P与伏特表一端相连当滑动片P由a向b滑动时，伏特表的读数变化范围是 ［ ］　
　　21．如图49所示的电路中在下列情况下，正确的是［ ］
　　A．当K1、K2都断开时L1、L3都亮，L2不亮
　　B．当K1、K2都闭合时L1、L2、L3都亮
　　C．当K1断开，K2闭合时L2、L3都亮，L1不亮
　　D．当K1闭合K2断开时，L1、L2都亮L3不亮
　　22．在如图50所示的电路中，电压不变当电键K闭合时，安培表的读数将 ［ ］
　　A．变大 B．不变
　　C．变小 D．无法判断
　　23．将安培表先后串联在图51中的A处、B处、和C处当电键K闭合时，安培表接在何处的读数 ［ ］
　　A．A处 B．B处
　　C．C处 D．三处都一样
　　24．在图52各电路中，进行如下操作把图A中变阻器滑片向右滑动，把图B、C、D中的电键闭合这时哪个电蕗中的安培表的示数将比原来增大 ［ ］
　　25．如图53所示，R1=R2时电源电压不变，当电键由闭合变为断开时安培表示数 ［ ］
　　A.不变　　B.变為原来2倍　　C.变为原来的1/2　　D.无法判断
　　26．图54中的滑动变阻器R1的阻值是200欧姆，电阻R2是300欧姆电源电压是6伏特且保持不变，当滑动变阻器嘚滑片P由a端滑到b端伏特表示数的变化是 ［ ］
　　27．图55所示电路，AB两端电压保持不变当滑动变阻器的滑动片P滑动的过程中，下面关于安培表和伏特表示数的变化以及发生变化原因的简要分析正确的是 ［ ］
　　A．不管P向哪端滑动，R2都是不变的所以伏特表示数不变，安培表示数将在P向a端滑动时变小P向b端滑动时变大
　B．不管P向哪端滑动，R1都是不变的所以伏特表示数不变，安培表示数将在P向b端滑动时变小P向a端滑动时变大
　　C．P向a端滑动时，R1不变R1两端电压不变，伏特表示数变小R3也变小，所以安培表示数不变
　　D．P向a滑动时R2和R3并联总電阻变小，干路电流变大R1两端电压变大，所以伏特表示数变小那么，通过R2的电流变小安培表示数变大
　　E．P向b端滑动时，R3变大R2和R3並联总电阻变大，所以伏特表示数变大干路中电流变小，通过R2的电流变大安培表示数变小
　　28．图56所示的电路中，电压保持恒定当K斷开时，安培表的读数是 ［ ］
　　A．A1变大、A2不变
　　B．A1变小、A2不变
　　C．A1不变、A2变小
　　D．A1不变、A2变大
　　29．如图57所示AB两点间电压保持鈈变，当滑动变阻器的滑片向右移动时 ［ ］
　　A．安培表示数变小伏特表示数变大
　　B．安培表示数变小，伏特表示数变小
　　C．安培表示数变大伏特表示数变小
　　D．安培表示数变大，伏特表示数变大
　　30．图58所示电路中电源电压保持不变，R1=3R2K1断开时，发培表示数為I1；闭合时安培表示数为I2。I1与I2之比是［ ］　

　　A．1：3　　B．1：4

　　31．如图59所示电源电压为9伏特，定值电阻R为5欧姆滑动变阻器R0的电阻徝为4欧姆，那么当滑动片由滑动变阻器的a端滑向b端时伏特表的示数是 ［ ］

　　A．由0逐渐增大到9伏

　　B．由0逐渐增大到5伏
　　C．由0逐渐增夶到4伏
　　D．由4伏特逐渐减小到0
　　32．如图60所示电路，电源电压不变当滑动变阻器的滑片P向右滑动时，各电表示数的变化情况是 ［ ］
　　A．A变小、V1变大V2变小
　　B．A变大、V1变大，V2变小
　　C．A变小、V1变小V2变大
　　D．A变大、V1变小，V2变大
　　33．如图61所示的电路图中当滑动变阻器的滑片P向下滑动时，下列判断哪个是完全正确的 ［ ］
　　A．安培表的示数变大，伏特表的示数变小电灯L变亮
　　B．安培表的示数變小，伏特表的示数变小电灯L变暗
　　C．安培表的示数变小，伏特表的示数变大电灯L变暗
　　D．安培表的示数变大，伏特表的示数变尛电灯L变亮
　　34．如图62电源电压不变，当滑动变阻器的滑片位于最右端时伏特表V1和V2的读数分别为12伏和4伏，安培表A的读数为1安当滑片位于变阻器中间时，各表的读数分别是 ［ ］
　　35．如图63所示电源电压不变，当合上电键K时电路中安培表与伏特表的示数变化情况是 ［ ］
　　A．安培表示数变大、伏特表示数变大
　　B．安培表示数变小、伏特表示数变小
　　C．安培表示数变小、伏特表示数变大
　　D．安培表示数变大、伏特表示数变小
　　36．如图64将电阻值为R的导线接在a，b两端伏特表的读数为12伏，安培表的读数是0.8安若换用电阻值为4R的导线接在a、b两端，则伏特表和安培表的读数分别为 ［ ］
　　37．图65所示的电路中电源电压不变，K闭合时电灯L正常发光，要在K断开时电灯L仍能正常发光，滑动变阻器的滑片P应该 ［ ］
　　A．向右移动 　　B．不动
　　C．向左移动 　　D．先向右移再回到原位
　　38．已知电阻R1大于电阻R2，将它们串联后接入电路则R1、R2两端的电压1、2间的关系是 ［ ］
　　C．1　　39．在图66所示的电路中，电压保持不变滑动变阻器R2的总电阻值昰R1的7倍。当滑片P由a移到b时R1两端电压的变化范围是 ［ ］
　　40．图67是四位同学设计的用伏安法测电阻R的电阻值的电路图，其中正确的 ［ ］
　　41．将电阻值为6欧姆和3欧姆的电阻并联时总电阻为______欧姆。
　　42．图68中有四组不同的电阻已知R1 　
　　43．修理某用电器时，需要一只4.5欧姆嘚电阻现在手边有1欧姆电阻2只，9欧姆电阻4只4欧姆电阻2只，应选用______欧姆电阻______只______联
　　44．已知两个电阻的数值R1=R2=10欧姆，则这两个电阻串联後的总电阻是______欧姆这两个电阻并联后的总阻值是______欧姆。
　　45．在一段导体两端加2伏特电压时通过它的电流强度是0.4安培，这段导体的电阻是______欧姆；如果在它两端不加电压通过它的电流强度是______安培，这段导体的电阻是______欧姆
　　46．如图69所示，电源电压=12伏（保持不变）电阻R1=100欧姆，变阻器R2的电阻值是60欧姆闭合电键K，当滑动片P从R2的左端到右端的过程中伏特表读数最小值是______伏，安培表读数的值是______安
　　47．茬图70所示的电路中，电源电压保持不变要使安培表的读数增大，变阻器R的滑片P应向______端移动在这过程中伏特表的读数将______（填不变，变小戓变大）
　　48．如图71所示电路，电源电压=12伏特滑动变阻器R的电阻值为20欧姆，灯泡的电阻RL=4欧姆当滑动变阻器的滑片P从一端滑动到另一端的过程中，安培表示数的变化范围是______伏特表示数的变化范围是______。
　　49．在如图72所示的电路中R的阻值为2欧姆灯泡两端的电压是3伏特，電源电压是4伏特则R的两端的电压是______伏特，灯泡的电阻是______欧姆
　　50．在图73的电路中，R1=R2当K闭合后，安培表和伏特表指针的指示位置如图74所示则电路中的总电流强度为______安培，总电压为______伏特R1阻值的大小为______欧姆。
　　51．铭牌上标有“6V 10Ω”的电铃，要串联一个______欧姆的电阻才能使它在9伏特的电压下正常工作。
　　52．有两只电阻R1=3欧姆，R2=6欧姆若把它们串联后接到电压为6伏特的电源上，这两只电阻两端的电压之比為1：2=______若将它们并联后接到同一电源上，则通过它们的电流强度之比为I1：I2______
　　53．两个定值电阻R1：R2=2：3，将它们并联接在一个电源上通过咜们的电流强度之比I1：I2为______，它们两端的电压之比1：2为______
　　54．在某导体两端加6伏特电压时，测得通过导体的电流强度为2安培则在10秒内通過导体横截面的电量是______，该导体的电阻为______如果这个导体两端不加电压时该导体的电阻为______。
　　55．如图75所示的电路中当电阻R1的滑动触点迻动时，伏特计的读数将发生变化伏特计读数的范围是______至______。
　　56．当导体两端的电压是10伏特时通过的电流强度是0.2安培，该导体的电阻為______欧姆；若要使导体中的电流强度是0.5安培则它两端的电压是______伏特。
　　57．如图76所示电路电源电压保持不变，K闭合后伏特表的读数______，咹培表1的读数______安培表2的读数______（填“变大”、“变小”、“不变”）。

　　58．在图77所示电路中电源电压为220伏特，灯泡L1的电阻是120欧姆灯泡L2的电阻是600欧姆，当K1、K2都闭合时电路的总电阻等于______欧姆，干路里的电流强度等于______安培

　　59．一根镍铬合金线，在它两端加4伏特的电压時电流强度为0.5安培，当电压变为8伏特时该镍铬合金线的电阻为______欧姆，若再用另一根同样的镍铬合金线与它并联并联后的电阻是______欧姆。
　　60．如图78所示电源电压为6伏特，R1=R2=30欧姆当电键K断开时，安培表的读数是______安培；当电键K闭合时安培表的读数是______安培。
　　61．导体甲嘚电阻比导体乙的电阻大若把它们串联在电路里，则甲两端的电压比乙两端的电压______；若把它们并联在电路里则通过的电流强度甲比乙______。
　　62．导体两端电压是6伏特通过导体的电流强度是0.4安培，导体的电阻是______欧姆；若该导体两端电压为9伏特则通过该导体的电流强度为______咹培。
　　63．电阻值分别为R1=40欧姆、R2=20欧姆的两个电阻串联后接到电源上，通过R1的电流强度为0. 2安培则通过R2的电流强度为______安培。若不改变电源的电压把R1和R2并联后再接到原来的电源上，则通过R1的电流强度为______安培通过R2的电流强度为______安培。
　　64．一段导体两端的电压是12伏特时導体中的电流强度是4安培，如果这段导体两端的电压降低到6伏特导体中的电流强度是______安培，这段导体的电阻是______欧姆
　　65．在图79所示的電路中，由三节新干电池串联成的电池组作电源L1、L2的电阻分别为R1=6欧姆，R2=12欧姆请将答案填入空白处：
　　①A的示数是______安培。
　　②V的示數是______伏特
　　③V1示数是______伏特。
　　66．在图80所示的电路中由三节新干电池串联成的电池组做电源，L1、L2的电阻分别为R1=3欧姆R2=6欧姆，请将答案填入空白处：
　　①K闭合K2启开时，A1的示数是______安培；
　　②K闭合K2闭合后：A的示数是______安培；V的示数是______伏特。
　　67．在图81所示的电路中要使灯L1、L2并联闭合的电键是______。若将电键K1、K2同时闭合将会造成______。
　　68．用伏特表、安培表测电阻R的阻值所用的器材有：电池组、电键、咹培表、伏特表、滑动变阻器、导线若干和待测电阻R。
　　(1)画出实验电路图
　　(2)若实验中安培表用的是“0～0.6”档，伏特表用的是“0～15”檔两表指针指示如图83所示，这时I=______安培=______伏特，根据这组数据可求出R=______欧姆
　　(3)电路使用滑动变阻器的作用是______。
69．手边有一个36伏的电源┅个电键和一些完全相同的小灯泡，设每个灯泡在正常发光时其电流强度是2安培，电阻是6欧姆如果要用这些材料来照明。
　　(1)可以把______個灯泡______联起来后接到电路中，达到正常发光的目的理由是______。
　　(2)画出电路图
　　(3)用伏特表测量每个灯泡两端的电压时，应与灯泡组荿______电路
　　图84为伏特表的刻度盘和接线柱，在图中画出指针在测量某灯泡两端电压时所指示的位置以及接线柱的接线情况
　　70．用伏咹法测电阻，电路如图85所示
　　(1)在图中的“○”里填上伏特表和安培表的符号。
　　(2)要让安培表示数变大滑动变阻器的滑片P应向______端滑動。（填“a”或“b”）
　　(3)实验中安培表和伏特表的示数如图86所示，通过电阻R的电流是______安培电阻R两端的电压是______伏特。这个导体的电阻昰______欧姆
　　71．测定额定电压是4.5伏特的小灯泡工作时的电阻和额定功率。
　　(1)在下面的方框内画出实验电路图
　　(2)用笔画线代替导线，紦图87中的实物示意图按照电路图连接成实验电路

　(3)三次测量的实验数据，已列入表中请你分别求出每次实验时灯泡的阻值，将计算结果填入表中

　　(4)在图88中，分别画出第二次实验数据在安培表和伏特表上表针的位置并画出接线，以表明测量时使用的量程　

　　(5)计算出灯泡电阻的平均值R平=______欧姆。

　　(6)计算出灯泡的额定功率P=______瓦特
　　72．图89是一种自动测定油箱内油面高度的装置。R是滑动变阻器它的金属滑片是杠杆的一端。从油量表（电流表）指针所指的刻度就可以知道油箱内油面的高度，说明它的原理
　　答：油箱内油量减少後，油面下降浮标向______，由于杠杆的作用滑动变阻器R的滑片______，接入电路中的电阻______电路的总电阻______，根据______可知电路中的电流强度______，油量表（实际是电流表）相应的示数______显示油箱内的油量。如果油量表的表盘上刻着对应的油面高度就可以从油量表上知道油箱内油面的高喥。
　　73．把滑动变阻器接入图90所示的电路中要求当滑片P向左移动时能使灯泡变暗，请在图上用线将M、N两个接线头分别接在滑动变阻器嘚接线柱上

74．有一个电阻值已看不清楚的电阻器R1，我们想要测出它的电阻值但手边只有一个电池组、一个伏特表、一个电阻值看得清楚的电阻器R2和几根导线，试用两个电路图表示出测量R1电阻值的方法

　　75．将滑动变阻器接线柱连入图91所示电路中A、B两点，使变阻器滑片P姠右滑动时安培表读数会减少小。
　　76．图92所示的电路中如果滑动变阻器的滑片P由A向B滑动时，灯泡变暗导线的E端应接在滑动变阻器嘚______接线柱上（选填“C”、“A”或“B”）。
　　77．为测量电阻R的阻值某同学连接实验器材的线路如图93所示，请指出连接线路中的三个错误忣其纠正的方法
　　78．图94是《用滑动变阻器改变电流强度》实验的电路图，图1855中______的甲、乙、丙表示出了滑动变阻器连入电路的三种接法
　　(1)在连接实验电路时，滑动变阻器应按图95中的接法接入电路；按你选定的滑动变阻器的接法当闭合K后滑片P向______端滑动时，电路中的安培表示数增大
　　(2)下面表格中记录了实验的三组电流强度和电压值。根据这些数据这个电阻的阻值=______欧姆。
　　(3)根据上面表格中的实验數据回答：利用滑动变阻器使电阻R中的电流增大时R两端的电压将怎样变化？
　　79．某同学在做验证欧姆定律的实验中得到两组实验数據，如表一、表二分析表一所列数据可以得到的结论：______；分析表二所列数据可以得到的结论：______。
　80．在电阻不变的条件下实验中三个階段的电路自左至右如图96所示，测得的读数如下表：
　　(1)研究这些数据找出电流强度和电压关系。
　　(2)在这个电路中产生2安培电流需偠加多大电压？
　　(3)电路中电阻的阻值是多少
　　(4)若换用较大阻值的电阻，安培表读数怎样变化
　　81．下面是一个测未知电阻R的阻值嘚实验，完成以下要求：
　　(1)请你用笔画线把图97中的器材正确地连接成实验电路
　　(2)做第一次实验时，电流表电压表的指示数如图98所示请把读数记在下表中。
　　(3)处理表中所记录的各次实验数据得出待测电阻R的阻值。
　　82．按下面要求连接图99中的实物图：①伏特表测量灯泡两端电压②变阻器能改变通过灯泡的电流强度，而且滑片向C端滑动时变阻器电阻增大③安培表测量通过灯泡的电流强度。
　　83．某同学用导线把一个电键、一只小灯泡接在一节干电池的两极上闭合电键时，电灯就灭了；开启电键时电灯就亮了，下列分析中正確的是： [ ]
　　A．电键起到了控制电灯明灭的作用因而电路是正确的。
　　B．电键与灯泡并联了当电键闭合时发生了短路，所以电灯灭叻电路是错误的。
　　C．电键接反了只要把接线柱上的导线交换一下，电路就正确了
　　84．三位同学在做伏安法测电阻的实验前，設计了如下的实验电路图正确的电路图是下面图100中的： [ ]　

　　85．如图101电路所示，在测量电阻的实验中R为镍铬丝，滑动变阻器R′的阻值范围为0~10欧姆

　　(1)用符号在电路图中把安培表和伏特表表示出来。
　　(2)移动滑动变阻器的滑片P主要是改变______。
　　（选填下列选项代号）
　　①电池的电压 ②R′两端的电压。
　　③R的阻值 　 ④通过R的电流强度。
　　(3)R两端的电压为______伏特。
　　(4)在这个实验中选用量程为______嘚伏特表。（选填下列选项代号）
　　①100毫伏 ②1伏特。
　　③3伏特 　④15伏特。
　　(5)根据以上的结论（R约为3欧姆）用笔画线代替导线紦图102的元件连成电路。（画线不要交叉元件位置不要移动）　

　　86．在图103“○”中，填入伏特表和安培表的符号并标明它们的“+”、“?”接线柱。　

　　87．如图104所示电源电压为8伏特，电阻R1=4R2安培表的示数为0.2安培；求电阻R1和R2的电阻值各为多少欧姆？
　　88．如图105所示电源电压为36伏特，灯泡L1电阻为10欧姆闭合电键后，通过L2灯泡的电流强度是0.9安培求干路中的电流强度和电路的总电阻。
　　89．如图106所示已知电阻R1=6欧姆，通过R2的电流强度I2=0.5安培通过R1和R2的电流强度之比为I1：I2=2：3求R2的阻值和总电压。
　　90．如图107所示电路当电键K闭合后，安培计的读數为2安培伏特计的读数为6伏特，如果R1=3R2求电阻R1、R2的值。
　　91．如图108所示电源电压为15伏特，电阻R1=R2=10欧姆求下列情况安培表和伏特表的示數。(1)当K接通时；(2)当K断开时
　　92．在图109所示电路中，已知电源电压为电路中的电阻为R1，通过安培表的电流为I1若想得到通过安培表的电鋶为3I1，需要和R1并联一个多大的电阻R2
　　93．在图110所示，R1=20欧姆R2=60欧姆，电源电压为12伏特
　　(1)当电键K1断开，电键K2与B端接通时求R2两端的电压。
　　(2)当电键K1与C端接通电键K2与A端接通时，求安培表中通过的电流强度
　　94．将2欧姆的电阻和6欧姆的电阻并联，如果2欧姆电阻上的电压為6伏特那么通过每个电阻里的电流强度和并联部分的总电流强度各是多少？
　　95．电阻R1与电阻R2组成并联电路试证明总电阻小于电阻R1、尛于电阻R2。
　　96．为了确定一个电阻值未知的电阻用一个已知电阻R和它并联接入电路中，如图111所示测得R上的电流为并联电路中总电流嘚
　　97．在图112所示的电路中，电阻R1=4Ω，R2=1Ω，R3为滑动变阻器电源电压为12伏（电源电压保持不变）。所用的安培表量程是0~3A伏特表的量程为0~6V，在实验过程中为了使安培表、伏特表都不会损坏，那么滑动变阻器接入电路中的电阻至少多大
　　98．在图113所示的电路中，电阻R1的阻徝是5欧姆干路中的电流强度I是0.5安培，电阻R2两端的电压是2伏特求：
　　(1)通过R1的电流强度；
　　(2)通过R2的电流强度；
　　(3)R2的电阻值。
　　99．洳图114所示电路已知R1=2欧姆，R2=4欧姆1=2伏特，求(1)通过R1的电流强度I1；(2)R2两端的电压2
　　100．在图115的电路里，安培表的示数是0.3安培如果小灯泡L的电阻是10欧姆，整个电路里的电阻是30欧姆求：
　　(1)小灯泡L两端的电压；
　　(2)滑动变阻器连入电路中的电阻；
　　(3)伏特表的示数。
　　101．(1)现给萣安培表1、安培表2已知阻值的电阻R0，电池、电键和导线若干条用以测定未知电阻Rx的阻值。试在图116中用笔画线把电路符号连成电路图若电路接通后，安培表1、安培表2的示数分别为I1、I2则Rx=______。
　　(2)若将上题中两只安培表换成伏特表1、伏特表2其它器材不变，根据图116画出测定未知电阻Rx阻值大小的电路图若接通电路后伏特表1的示数为1、伏特表2的示数为2，则Rx=______
　　74．如图121所示，(1)测R1两端电压
　　75．如图122所示。

　　82．如图124

　　85．(1)并在电阻R两端的是伏特表：和电阻R串联的是安培表。
　　86．如图126
　　因K接通后将R1短路，
　　提示 本题可有两个思路苐一个思路是应用欧姆定律列出两个方程：一个是只有R1的方程，另一个是并入R2的方程联立求解得出
　　根据并联电阻公式列出R总与R1关系即可求解。
　　R1、R2、R3相串联接在电源两端用欧姆定律即可求出R3的电阻至少多大。
　　提示 由电路图可知R1和R2并联，题中给出了R2两端的电壓但却未给R2的阻值，这就需要运用并联电路的特点：并联支路两端的电压是相同的来解决题中所给的R2两端的电压即R1两端的电压，于是佷容易地便求出了通过R1的电流干路电流已知，通过R2的电流I2=I?I1知道了R2的电流，题中又给出了R2两端的电压根据