遊戲開發中的人工智能

時間 2020-07-02

原文原文鏈接

前言

今天很是開心，觀看cocos官方直播竟然在幾千人中中獎，能夠買彩票了。
言歸正傳，所謂的人工智能，也就是你們常說的AI（Artificial Intelligence）。一說到AI可能就會讓人以爲比較深奧，其實也就是非玩家角色思考和行爲的綜合。好比，在什麼樣的條件下，觸發什麼樣的行爲。
其實咱們在遊戲開發中的AI要比學術理論中的AI簡單不少，甚至有些行爲不須要AI也能體現。好比使用劇情對話體現非玩家角色的想法。
那麼AI 都涉及到哪些東西呢？dom

控制器
我理解的控制器，就是非玩家角色的大腦，是用來思考事情的。例如經過執行決策樹，獲得一個有效的行爲。使用不同的控制器就會有不同的思考方式。好比玩家的控制器就是根據按鍵操做觸發不一樣的行爲。阿貓，阿狗的可能又不同了。
感知器
得到周圍環境的狀況，不如距離誰有多遠，自身生命值多少，玩家生命值多少，等等。
反應
也就是控制器執行決策樹後產生的有效行爲。好比跳躍，跑，各類攻擊，防護等等。
決策樹
我理解爲思考時的思路，好比應該在什麼樣的條件下執行什麼樣的反應。好比當個人血量低於百分之30的時候我要逃跑。具體案例體如今個人遊戲《星際迷航》的第一個boss身上。
記憶
就是非玩家角色能夠經過存儲數據，供控制器執行的時候使用，以提升非玩家角色的智商。
學習
這個能力太牛逼了。實現起來也比較複雜，須要大量的數據和計算量爲依託，並且在遊戲開發中也並不必定實用。所以我也沒用過。

如何應用到程序中呢？

首先仍是要定義好行爲枚舉，經過狀態機，不一樣的行爲實現不一樣的邏輯。

函數
定義感知器特徵
不一樣的遊戲感知的特徵確定是不同的，根據遊戲需求而定
工具
實現感知類
學習
定義決策樹this

export default class DecisionTree {

    private decisionData: XlsxData;
    private perception: Perception;

    constructor(data: XlsxData) {
        this.decisionData = data;
    }

    setPerception(perception: Perception) {
        this.perception = perception;
    }

    getPerception(obj, perceptionType: PerceptionType, value: number) {
        return this.perception.action(obj, perceptionType, value)
    }
    //開始思考
    action(obj: RoleView, decisionID: number) {

        let data = this.decisionData.getRowData(decisionID)
        let flag = false;
        if (data) {
            let perceptionType = data[Ai_dataEnum.condition];
            let type = 0;
            let id: number[] = null;
            flag = this.perception.action(obj, perceptionType, data[Ai_dataEnum.cParam])
            if (flag) {
                type = data[Ai_dataEnum.conditionYes]
                id = data[Ai_dataEnum.parm1]
            } else {
                type = data[Ai_dataEnum.conditionNo]
                id = data[Ai_dataEnum.parm2]
            }
            this.judge(obj, type, id)
        }else{
        }
        return flag;
    }
    //斷定感知條件
    private judge(obj: RoleView, type: ThinkType, param: number[]) {
        if (type == ThinkType.ACTION) {
            this.doLogic(obj, param)
        } else {
            for (let index = 0; index < param.length; index++) {
                const element = param[index];
                if (this.action(obj, element)) {
                    break;//目前僅支持串行，不支持並行。如需支持並行，須要添加是否攔截字段。
                }
            }
        }
    }

    // 50 30 20 : 80  根據機率選擇行爲
    private doLogic(obj: RoleView, param: number[]) {
        if (param.length > 0) {
            let r = RandomHelper.random(0, 100);
            let count = param.length / 2
            for (let index = 0; index < count; index++) {
                let behaveType: number = param[index * 2]
                let random: number = param[index * 2 + 1]
                //
                if (r <= random) {
                    // 設置非玩家角色的行爲。
                    obj.setBehaveType(behaveType)
                    return;
                }
            }
        }


    }
}

定義控制器

export default class EnemyController extends GameController {

    private perception: Perception = new Perception();
    private ai: DecisionTree;
    constructor() {
        super()
        let ai_data: XlsxData = GameDataManager.instance().get(DataName.ai_data)
        this.ai = new DecisionTree(ai_data)
        this.ai.setPerception(this.perception)
    }

    getPerception(obj, perceptionType: PerceptionType, value: number) {
        return this.perception.action(obj, perceptionType, value)
    }

    action(obj: RoleView, decisionID: number) {
        this.ai.action(obj, decisionID)
    }
}

在非玩家角色中聲明控制器和行爲管理器
人工智能
定義思考函數3d

think() {
        this.ai.action(this, this.model.getAI())
    }

調用

在動做執行結束後，若是非玩家角色沒有死亡，就會執行一次。而後再決策樹中調用非玩家角色的設置行爲的方法。

至此，就執行了一次AI的完整流程。從代碼中咱們能夠看到，控制器是經過配置表數據執行操做的，接下來咱們看配置表部分。

配置數據

首先數據表是二維的，咱們要經過二維表模擬了樹形結構。斷定條件就是感知特徵的枚舉值，斷定參數是留給感知器使用的參數，若是不須要能夠不填，中文部分能夠僅用於註釋，並不會導出，斷定條件成立或者不成立的時候都會用0和1來決定是繼續斷定仍是處理行爲選擇。若是是0 後一列的數據會填寫下一個節點的ID，也就是繼續思考，若是是1，表示能夠執行對應的處理。此時，後邊的列裏邊我是存放了行爲枚舉值和對應的機率。由於並非全部行爲都是百分之百執行的。將這個表導出以後提供給控制器使用就能夠了。
數據表的索引方式
對於簡單的ai，能夠一個敵人對應一個決策樹ID；對於複雜的AI，能夠一個敵人的一個動做對應一個決策樹AI。因此這裏拋出了一個問題，就是手動填寫這樣的表，維護成本也比較高了，因此這裏對於複雜的AI需求，建議本身開發個小工具，這樣用起來不易出錯，且容易維護。