游戏AI--决策（1）

机器学习的引入

机器学习最近由于AlphaGo和数据挖掘的大热而变得流行起来，然而我们可以让它变得更加cool，在接下来的模块中，我将讲述我对游戏中应用机器学习的理解以及我的现有成果。

应用机器学习的意义

游戏进行中，尤其是网络游戏，会积累大量的数据，数据赋予了计算机行为意识，而我们如果能“告诉”计算机数据归纳总结的方法，那计算机可能会产生惊人的思维能力，而机器学习就是这样的一种神奇的工具。

前景

目前的游戏由于同质化严重，所以一个高度智能的游戏体验会带给玩家难以想象的快感，而且笔者以为，很有可能在某一天，我们能在游戏中建立真正的人工智能，因为游戏世界高度抽象化，数据的提取难度大大降低，当然，这有点跑题了。

应用机器学习的决策逻辑

游戏的进行，决策和事件无疑是最重要的两个条件，传统的游戏中，我们使用大量的条件判断来进行决策，不仅在逻辑上很繁琐，而且有一个重大的问题，它是“死的”，比如玩家经过一个怪物，怪物必定会攻击玩家，如果要改善这一决策，那需要添加许多条件，比如针对怪物的“攻击性”，重写判断逻辑。
机器学习则不然，我们可以根据以前的记录进行训练，每个怪物都是独特的，即使他们隶属于同一个类，“个性”将使AI十分丰富。

目标–鱼类的遗传

由于机器学习的数学模型非常复杂（对笔者来说是这样的，花了很多功夫才看懂），我们先讲一个应用，然后我们根据其需求来应用机器学习。

在之前的游戏底层逻辑中，笔者曾说过想要实现一款海洋模拟的游戏，之前的只言片语可能已经能描述大概的框架了，不知道也没关系，此处我们有一个问题：捕食行为
捕食行为基本上是动物最重要的行为了，此处有三个需要决策的问题，在进入捕食状态前的判断中，我们需要知道：
1、是否需要捕食
2、捕食什么鱼类（前提是在食物链上的）
3、哪个地方适合捕食

是否捕食

在传统游戏中，设定一个饥饿值，这个值随着时间递减，减少到一定程度就去捕食。
而这种状态是不合理的：

• 首先，我们吃东西并不一定是饥饿，其他的因素都有可能使其变化。
• 其次，这种if(1)else(0)的变化在空间上表现出来的是跳跃性的曲线，不符合我们越饥饿越想吃东西这样的特性。
• 然后，我们的决策没有随机性，很容易预测，很“无聊”。

解决方案

我们设定一个合理的初始函数：

$$H(x)=x{1}*\theta{1}+ x{2}*\theta{2}+...+x{n}*\theta{n}$$
矩阵（向量）表达：
$$H(x)=X^{T}\theta$$
其实就是多元一次方程，H函数得到一个值，然后我们根据值进行决策。

此处提及几个概念:
θ