游戲ai是如何設計的

MOBA類型游戲的人機對戰(zhàn)的模式中，電腦的AI是如何設計的？

現(xiàn)代的游戲AI很多是由專門的AI引擎來實現(xiàn)的，如果用文字把AI的規(guī)則寫下來，那是非常的多

MOBA（ Online Battle Arena）中文譯為多人在線戰(zhàn)術競技游戲。 online battle arena（MOBA），也被稱為Action real-time strategy（Action RTS，ARTS）

這類游戲的玩法是：在戰(zhàn)斗中一般需要購買裝備，玩家通常被分為兩隊，兩隊在分散的游戲地圖中互相競爭，每個玩家都通過一個RTS風格的界面控制所選的角色。但不同于《星際爭霸》等傳統(tǒng)的硬核的RTS游戲，這類游戲通常無需操作RTS游戲中常見的建筑群、資源、訓練兵種等組織單位，玩家只控制自己所選的角色。

MOBA游戲相比傳統(tǒng)的RTS游戲更偏向于休閑娛樂，對玩家的操作要求均遠遠低于RTS游戲。再加上這類游戲中很多是免費游戲，因此吸引了一大批難以適應RTS游戲大規(guī)模高要求操作的玩家。因為不再過高地要求玩家的操作水平，這個玩家群體比傳統(tǒng)RTS游戲的硬核傾向的玩家群體要大得多。

1998年，《星際爭霸》發(fā)行，暴雪娛樂公司*次在暴雪娛樂制作并發(fā)行的游戲中綁定了地圖編輯器。利用這款地圖編輯器，當時有一位叫做Aeon64的玩家制作出一張名為Aeon Of Strife的自定義地圖，這就是所有MOBA游戲的雛形。在這個自定義地圖中，玩家們可以控制一個英雄單位與電腦控制的敵方團隊進行作戰(zhàn)，地圖有3條兵線，并且連接雙方主基地，獲勝的目標就是摧毀對方主基地[2]?。值得一提的是，這款老地圖現(xiàn)今依然在《星際爭霸Ⅱ》中保持著更新。

這張星際爭霸的自定義地圖是DOTA的前身，也是所有moba的雛形，因此MOBA游戲的源頭應該追尋至《星際爭霸》時代的RPG地圖。到英雄聯(lián)盟的出現(xiàn)，在剛開始英雄聯(lián)盟自稱為類DOTA游戲，但隨后拳頭游戲開始將游戲定義為MOBA游戲，隨后MOBA游戲的叫法開始更加流行，但本質(zhì)上是從類DOTA游戲進化過來的游戲類型，它囊括了比“類DOTA游戲”更多的內(nèi)容，甚至連DOTA自身也開始被定義為MOBA了。

游戲里的AI是如何實現(xiàn)的？

比如賽車游戲的AI,和你一起跑得賽車根據(jù)不同等級的AI表現(xiàn)出不同能力。它基本的設計思想是，通過對地圖場景進行數(shù)學建模然后結合模型中的應變量結合賽車本身的參數(shù)進行數(shù)學結合。*特出了帶有系數(shù)的近似等式。然后通過數(shù)學變換（比如三角變換，等比變化，隨即變換等）使得AI變的非常具備“人”的思維。 還有一種AI是通過行為庫來實現(xiàn)的，在行為庫中，定義了大量的行為，這些行為可能是預先定義好的，可能是游戲者在平時游戲的時候被系統(tǒng)錄入的。然后AI通過類似責任鏈（不同等級的責任者對應不同等級的責任行為，你可以去網(wǎng)絡搜索一下）的形式獲取到某一個時候的行為，從而表現(xiàn)的比較有"智能".

游戲設計模式 之 AI_行為樹

引擎：.1.0
語言：
Git倉庫地址：

定義——
行為被定義為層次化的目標的集合，其表現(xiàn)為樹形結構。
智能體首先選擇高級抽象目標，然后遞歸分解成一個可以遵照執(zhí)行的原子目標的集合。
以此實現(xiàn)原子目標，最終實現(xiàn)高級抽象目標。

類圖——

行為樹圖——

類圖看起來比較復雜~，哈哈，其實不難，記住幾個關鍵單就行。
1、樹形結構，使用“組件模式”實現(xiàn)。
從“行為樹圖”中可以看出，復合目標和子目標組成了一個樹形結構。
think每次根據(jù)權重(由數(shù)值策劃提供公式)選擇一個“分支”，一次執(zhí)行完整個分支下的所有葉節(jié)點，即可完成策略——實際項目中會有很多層，這里簡化一下。
2、通過權重選擇策略，每個策略都對應一個繼承自Goal_Evaluator的類，對應其返回權重的以及設置目標的邏輯。

下面來看看具體實現(xiàn)
簡單講，需要做的事情有3個
1、編寫戰(zhàn)略目標

重寫Enter()函數(shù)，負責插入子目標

2、編寫子目標
Goal_

Goal_

Goal_

以上就是策略與子目標的實現(xiàn)，主要工作就是在Enter()，與Process(dt)中，在恰當?shù)臅r機返回目標狀態(tài)即可。

3、(用樹形結構，即組合模式)組織起來

如圖，Goal_Think類通過每個策略的Goal_Evaluator類計算權重，然后，策略在Enter()中也。
這樣便組成了一個樹形結構，然后通過Process(dt)驅(qū)動行為樹運行。

擴展：
配置化——我的思路是策劃在json表中配置 戰(zhàn)略目標以及其對應的子目表“樹”。

如何設計出優(yōu)秀的游戲AI

游戲發(fā)展這么多年，并不是沒有狡猾的AI，只是市面上主流的游戲沒有使用到狡猾的AI而已，舉個最簡單的例子，我相信很多人下象棋都下不過大師難度的電腦或者機器人吧，這就是狡猾的AI，再聯(lián)想下圍棋界的阿爾法狗，游戲AI其實并不是沒有發(fā)展，相反有些ai發(fā)展的有點可怕
那么為什么主流游戲，比如RPG、SLG游戲的AI會給很多玩家AI還是很蠢的感覺呢，為什么他們不狡猾一點呢，簡單的來說就是——他們不蠢怎么襯托玩家的聰明呢
游戲AI，作為游戲內(nèi)的設計元素之一，他所最終服務的對象是玩家，一個游戲AI是好是壞不是根據(jù)AI的聰明程度來判定的，而是根據(jù)他能給玩家?guī)硎裁礃拥姆答亖砼卸ǖ?，這個才是游戲AI的最終設計目的
游戲AI服務于玩家的體驗，設計目的決定了他的設計方式，想要設計一個好游戲AI，并不是越聰明越好

即時戰(zhàn)略游戲（比如 WAR3）的 AI 是怎樣實現(xiàn)的？

War3的AI沒有必要使用你提及的算法，或者說，根本無法使用。
有相關經(jīng)驗表明，游戲的AI如果采用神經(jīng)網(wǎng)絡等算法，會傻得出奇。
使用派算法的AI總會做出匪夷所思的動作，讓人無法理解，游戲性盡失。
其主要原因在于遺傳算法、模擬退火算法、神經(jīng)網(wǎng)絡算法、各種分類算法等等，都是高度概括化的，旨在找到*解/或者找到全局關系。但是我們的AI實際不需要*解和全局關系，一是你的電腦沒那么叼，這么復雜的情況，如果真的高度概括出來了，其復雜程度是很高的，你的電腦也帶不動，其次是算法在訓練過程中收斂也會很慢，因為樣本太過復雜，所以也許要花上很久（幾年？猜的）來收斂，如果我們降低收斂精度要求來使速度加快，AI就會變得非常傻，做游戲明顯不能這樣。即使上述問題都被解決了，還有個問題就是，電腦得到了*解和*數(shù)學模型，你作為玩家就沒有勝利的希望了，這游戲給誰玩？
即使設計公司神經(jīng)病般的決定如此設計，每當你的游戲有更新，兵種變化，數(shù)據(jù)變化，整個算法就要重新訓練，玩家需要重新下載AI的全部內(nèi)容，對用戶的體驗和公司的工作效率都有損害。
戰(zhàn)略類游戲的AI，還是有限狀態(tài)機。根據(jù)不同情況分類做不一樣的事情，全都設計好，設計的盡量詳細，就OK了。
關于其復雜度：
這類AI的程序體往往超乎想象的長，當然具體長度和游戲本身的設計也有一定關系，和游戲其它部分代碼的設計優(yōu)化程度也有關系，但是即使在較優(yōu)環(huán)境中，其AI長度也是很長的。具體原因就在于其事無巨細的分類了所有情況，規(guī)定了AI在不同時間不同情況所做的不同事情，作為一個戰(zhàn)略類游戲，尤其是即時戰(zhàn)略類游戲，這是十分復雜的，情況十分多，因此程序本身也會相當?shù)拈L。
但是他運行速度又快！又像人類在玩！又給了玩家勝利的可能！又容易設計和更改！

DNF的怪物AI是如何設計的？

DNF游戲中的怪物AI設計理念如下：
首先判斷設置半徑范圍內(nèi)是否有敵對單位；
有的話則生成隨機數(shù)，根據(jù)該隨機數(shù)對應的路線，驅(qū)動怪物向玩家靠近。
沒有的話仍然產(chǎn)生隨機數(shù)，依據(jù)該數(shù)字產(chǎn)生對應的路線，驅(qū)動怪物在范圍內(nèi)移動。
其中玩家設置為怪物的敵對單位，接近到一定距離后怪物會對敵對單位進行攻擊。