GAME AI BY EXAMPLE 第一遍学习

第二章《状态机设计》。对于任何状态下都有可能转移到的状态，可以将判断放在GlobalState全局状态中，避免在其他状态中复制相同的代码。同时有限状态机可用于游戏状态管理，菜单状态，暂停状态等等

第三章 《操控行为，组行为》。有些计算是利用照距离正比/反比，避障算法主要用到了空间坐标转换，再产生一个牵制力和纵向力避障

第四章《足球体育案例》，学习分层状态机。一个Team有一个状态机，Team里的每个Player也有状态机，且Team在一定程度上会影响Player个体。每个实体的状态机中有个状态是全局状态

第五章 《游戏中的图》学习。图在游戏中有导航图，依赖图，状态图，邻接表。搜索算法有BFS，DFS，最短路径树，dijkstra，A*搜索寻路。其中dijkstra通过边松弛，A*基于BFS和估价函数进行搜索

第六章 《游戏脚本》学习。通过编写lua脚本实现AI的决策逻辑，避免反复编译浪费时间，对于对性能要求比较高的代码片段，使用C++更好

学习第七章《游戏中的触发器》。通过触发管理器更新，注册，删除触发器，AI还可以有短暂记忆，有些功能实时性不太高的可以隔几帧运行一次。目前在堆积AI知识的量，看完这本书后计划 研究UE4行为树的源码，工作流。

学习第八章《AI路径规划》。①对于到达某个点的路径，用A*寻路；对于到达某个Item，用Dijkstra。要记录路径所有的边，采用边路径而不是点路径，这样可以通过给边加变量，当AI要走这条边的时候切换状态，例如要过河切换游泳模式的情况。②对于路径平滑，相邻两条边，第一条起点和第二条终点若无障碍，则可以合并。③性能优化：若游戏环境是静态的，先预处理出所有点出发的dijkstra最短路结果，空间换时间。如果是动态，可以用在PathManager里时间片轮转所有AI寻路请求，或者使用分层路径

第九章《目标驱动》。HTN分层任务网络，将一个大的任务划分成原子任务的组合，有点像行为树的一个个任务节点
第十章《模糊逻辑》。在临界数据data1上下改变，可能会导致AI决策突变，可以依赖随机做一些判定。模糊逻辑通过对于环境的潜在输入定义隶属度，输出是确定的，能够更加逼真一些