游戏的AI类型

以下为AI For Games书中内容的归纳总结

​ 游戏开发中设计的AI和AI学者研究的AI是有区别。游戏的AI包括部分借鉴技术（特定的解决方案和使游戏更加简练的效果）、启发式方法（仅适用于大多数情况但不是全部情况的经验法则）和算法（对游戏来说“适当”的东西）。

借鉴技术

​ 有一种说法是“如果它看起来像一条鱼，并且闻起来也像一条鱼，那么它可能就是一条鱼”。对于游戏AI来说，行为主义是一条可以借鉴的道路。游戏AI的开发人员可能对现实的本质不那么感兴趣，他们想要的只是看起来正确的角色。

​ 游戏AI常体现为对现实事物的借鉴模仿，这显然没有资格成为AI学者认可的AI技术。这里有一个例子，《吃豆人》怪物的AI，它实际上是应用即巧妙又简单的随机数生成器。生成随机数本身当然算不上什么AI技术，大多数编程语言都有内置地函数获取随机数，所以为它提供算法毫无意义！

​ 在游戏AI中适当的使用视觉性的东西或许有令人惊喜的效果。《模拟人生》中很多角色的行为都是动画交流的。如果删除角色动画，那么这个AI的效果将乏善可陈。《星球大战前传1》中，那些令玩家烦恼的角色也会给其他角色带来一些副作用。《雷神之锤2》中具有“手势”命令，角色可以通过它将敌人击退。所有这些都不需要重要的Ai基础架构。它们不需要复杂的认知模型、学习或遗传算法。它们只需要一小段代码即可在正确的时间执行动画。

启发式方法

​ 启发式方法是一种经验法则它是一种可能在许多情况下有效但并不是对所有情况都有效的近似解决方案。对于AI程序眼来说，启发式方法通常会让人联想到路径发现或以目标为导向的行为。在实际运用的技术中可能并不总是很明确的启发式方法。在诸如决策、移动和战术思维等领域，都需要在速度和准确性之间进行权衡。当准确性被牺牲时，通常可以选择启发式方法来代替搜索正确答案。

​ 广泛的启发式方法可以应用于不需要特定算法的一般性AI问题。以《吃豆人》为例，怪物寻找玩家的方式是，在交叉路口选择朝向玩家所在位置的方向，这种方式不一定能正确“寻路”玩家，但基于经验法则，玩家依然会相信怪物真的是在追杀他。

​ 在许多战略游戏中，包括棋盘游戏，不同的单位或棋子都有一个数字值来表示它们的价值或在局面评估中“优秀”的程度。例如，在中国象棋中，一个小兵的价值是1分，车的价值是10分；小兵过河变成2分，进入敌方九宫则价值变成3分或更高。这显然是一种启发式方法，它用一个数字取代了关于单位能力的复杂运算。在即时战略游戏中，可以通过数量与成本计算比较来找到具备最佳建造价值的攻击单位。

​ 这些启发式方法没有应用高深的算法或技术，也不会在已发表的AI研究论文中找到它，但它确实是AI程序开发人员工作的基础。

1.最大约束

​ 给定世界的当前状态，需要选择一个集合中的某个项目。被选定的项目应该是少数几个状态中最合适的选项。

2.先难后易

​ 最困难的事情往往会影响到很多其他的行为，所以最好先做最困难的事情，而不是让简单的事情进展顺利，但最终却发现浪费时间。

3.首先尝试最有前景的事情

​ 如果AI有许多选项可供选择，通常可以给每个选项一个大致的分数。即使这个分数明显不够准确，但尝试递减分数顺序的选项将比纯粹随机获得更好的性能表现。

算法

​ 借鉴技术和启发式方法可以为开发人员提供一条很长的道路，但单纯依靠它们则意味着开发人员必须不断地做重复运动。如果某个复杂算法被视为完成任务的最佳方法，那么对于每种这样的情形，可能至少有5个更简单的借鉴技术或启发式方法可以完成同样的工作。

​ 之后的博客会重点发布一些游戏AI算法的内容，尽情期待。