游戏开发中的人工智能——有限状态机和神经网络

转载至 阅读笔记-游戏开发中的人工智能-第9章-有限状态机

1. 简述

    记得，在上面向对象程序设计的课中，就学过有限状态机，后来上编译原理的时候，接着有限状态机，直到研一的形式语言自动机中，还是有限状态机。貌似有一个很列害的ERP中的核心解决方法也是状态机。不过给我印象最深的还是本科做的百项工程时，使用有限状态机实现无线模块的自动组网与通信，状态机说简单吧，确实挺简单，尤其是实际用的时候，但是想用好吧，也不轻松，状态机的实现是很简单，但是状态机得设计是要花一些心思的。
    这一章主要是通过两个例子，来说明状态机在游戏中的使用，下面分别简单说一下其中一个例子。第二个例子主要是代码较多，没有太多的不同，具体想实现状态机的时候，参考一下更有价值。

2. 有限状态机

    计算机控制鬼怪，有三种可能的状态：游走（roam）、闪躲（evade）以及追逐（chase），初始状态是“游走”。三个转化行为：当玩家吃了大力丸时，触发“我已变为蓝色”，当鬼怪看到玩家时，触发“看到了玩家”，当鬼怪看不到玩家时，触发“看不到玩家”。状态转化如图：
   
    相关的程序代码：

switch(currentState) {
  case kRoam:
    if (imBlue==true) currentState=kEvade;
    else if(canSeePlayer==true) currentState=kChase;
    else if(canSeePlayer==false) currentState=kRoam;
  case kChase:
    if(imBlue==true) currentState=kEvade;
    else if(canSeePlayer==false) currentState=kRoam;
    else if(canSeePlayer==true) currentState=kChase;
  case kEvade:
    if(imBlue==true) currentState=kEvade;
    else if(canSeePlayer==true) currentState=kChase;
    else if(canSeePlayer==false) currentState=kRoam;
}

 

其实，三个case里面，代码都是一样的，只要保证imBlue先判断就行了，后面就是判断canSeePlayer了。当然这个代码不是最高效的，但是比较直观，容易展示。

个人感觉，一般优先状态机主要把握两个部分，第一部分就是在一个循环中，根据状态机做一些事情，第二个就是，做事的过程中，由于发生了一些情况，导致状态改变了，从而影响到了前面循环的过程。

3、人工神经网络

人工神经网络（artificial neural network，缩写ANN），简称神经网络（neural network，缩写NN），是一种模仿生物神经网络的结构和功能的数学模型或计算模型。神经网络由大量的人工神经元联结进行计算。大多数情况下人工神经网络能在外界信息的基础上改变内部结构，是一种自适应系统。现代神经网络是一种非线性统计性数据建模工具，常用来对输入和输出间复杂的关系进行建模，或用来探索数据的模式。

 维基百科的解释：

神经元示意图：

• a1~an为输入向量的各个分量
• w1~wn为神经元各个突触的权值
• b为偏置
• f为传递函数，通常为非线性函数。一般有traingd(),tansig(),hardlim()。以下默认为hardlim()
• t为神经元输出

数学表示 

• 为权向量
• 为输入向量，为的转置
• 为偏置
• 为传递函数（激活函数，阈值逻辑单元）

可见，一个神经元的功能是求得输入向量与权向量的内积后，经一个非线性传递函数得到一个标量结果。

单个神经元的作用：把一个n维向量空间用一个超平面分割成两部分（称之为判断边界），给定一个输入向量，神经元可以判断出这个向量位于超平面的哪一边。

该超平面的方程:

• 权向量
• 偏置
• 超平面上的向量

人工神经网络的优点：

（1）它不需要吧实际问题的内部结构搞明白，甚至不需要针对不同的问题采用不同的方法，只需要关心系统外部的输入和输出关系；他可以观察学习实际问题的输入和输出关系。（训练调整优化权值，是的神经网络的输入输出行为和实际问题的例子相吻合）；

（2）有神经网络形成的行为系统往往不是死的，是可以通过不断的学习训练来动态的调整，去适应新的情况；具有学习和自适应能力。而FSM（有限状态机）和FuSM（模糊状态机）对此无能为力。

人工神经网络的缺点：

（1）选择合适恰当的输入和输出变量十分困难；

（2）训练过程。神经网络的训练过程需要游戏高手，一般是游戏设计师，来充当师傅的角色，费事费力（监督式学习）；虽然神经网络实际上可以不需要老师来教，可以自行摸索学习，但效果一般没有保证。

（3）无论训练的多么好的神经网络，都有可能出现不可解释不可理喻的行为。因为它终究为遇到从未遇到的新情况。由于神经网络是个黑匣子，无法分析其内部逻辑关系，出现问题很难找到原因。但是FSM和FuSM可以。