【构】使用行为树(Behavior Tree)实现游戏AI

谈到游戏AI，很明显智能体拥有的知识条目越多，便显得更智能，但维护
庞大数量的知识条目是个噩梦：使用有限状态机(FSM)，分层有限状态机(HFSM)，
决策树(Decision Tree)来实现游戏AI总有那么些不顺意。

试试Next-Gen AI的 行为树(Behavior Tree) 吧。

虽说Next-Gen AI，但距其原型提出已有约10年时间，而Halo系列(HFSM like)，
Spore，Crysis 2，Red Dead Redemption等早已用行为树作为它们的AI结构。
如从未接触，那wikipedia(http://en.wikipedia.org/wiki/Behavior_Trees)
绝对是入门好资料。

---

先贴本文最具价值图(配色可花了不少时间)

behavior tree

为显美观：BT被横放，Node层次被刻意减少，Dec被刻意安插，Cond被刻意捏造。
PS：其实真正的高效的Node Group剔除应多加一层Sequence Node。

---

行为树(Behavior Tree) 具有如下的特性：

它只有4大类型的Node：
* Composite Node
* Decorator Node
* Condition Node
* Action Node

任何Node被执行后，必须向其Parent Node报告执行结果：成功 / 失败。
这简单的成功 / 失败汇报原则被很巧妙地用于控制整棵树的决策方向。

---

先看Composite Node，其实它按复合性质还可以细分为3种：
* Selector Node
当执行本类型Node时，它将从begin到end迭代执行自己的Child Node：
如遇到一个Child Node执行后返回True，那停止迭代，
本Node向自己的Parent Node也返回True；否则所有Child Node都返回False，
那本Node向自己的Parent Node返回False。

• Sequence Node
  当执行本类型Node时，它将从begin到end迭代执行自己的Child Node：
  如遇到一个Child Node执行后返回False，那停止迭代，
  本Node向自己的Parent Node也返回False；否则所有Child Node都返回True，
  那本Node向自己的Parent Node返回True。

• Parallel Node
  平行执行它的所有Child Node。
  而向Parent Node返回的值和Parallel Node所采取的具体策略相关：
  Parallel Selector Node: 一False则返回False，全True才返回True。
  Parallel Sequence Node: 一True则返回True，全False才返回False。
  Parallel Fall On All Node: 所有False才返回False，否则返回True。
  Parallel Succeed On All Node: 所有True才返回True，否则返回False。
  Parallel Hybird Node: 指定数量的Child Node返回True或False后才决定结果。

  Parallel Node提供了平行的概念。
  不需要像Selector/Sequence那样预判哪个Child Node应摆前，哪个应摆后，
  常见情况是：
  (1)用于平行挂接多棵Action子树。
  (2)在Parallel Node下挂一棵子树，并挂上多个Condition Node，
  以提供实时性和性能。
  Parallel Node增加方便性的同时，也增加实现和维护复杂度。

  PS：上面的Selector/Sequence准确来说是Liner Selector/Liner Sequence。
  AI术语中称为strictly-order：按既定先后顺序迭代。

  Selector和Sequence可以进一步提供非线性迭代的加权随机变种。
  Weight Random Selector Node提供每次执行不同First True Child Node的功能。
  Weight Random Probability Node提供每次挑选唯一一个Node的功能。
  Weight Random Sequence Node则提供每次不同的迭代顺序。
  AI术语中称为partial-order，能使AI避免总出现可预期的结果。

---

再看Decorator Node，它的功能正如它的字面意思：它将它的Child Node执行
后返回的结果值做额外处理后，再返回给它的Parent Node。很有些AOP的味道。

比如Decorator Not/Decorator FailUtil/Decorator Counter/Decorator Time…
更geek的有Decorator Log/Decorator Ani/Decorator Nothing…

---

然后是很直白的Condition Node，它仅当满足Condition时返回True。

---

最后看Action Node，它完成具体的一次(或一个step)的行为，视需求返回值。
而当行为需要分step/Node间进行时，可引入Blackboard进行简单数据交互。

---

整棵行为树中，只有Condition Node和Action Node才能成为Leaf Node，而也
只有Leaf Node才是需要特别定制的Node；Composite Node和Decorator Node均
用于控制行为树中的决策走向。(所以有些资料中也统称Condition Node和Action
Node为Behavior Node，而Composite Node和Decorator Node为Decider Node。)

更强大的是可以加入Stimulus和Impulse，通过Precondition来判断masks开关。

通过上述的各种Nodes几乎可以实现所有的决策控制：if, while, and, or,
not, counter, time, random, weight random, util…

---

总的来说，行为树具有如下几种优点，确实是实现AI框架的利器，甚至是一种
通用的可维护的复杂流程管理利器：

静态性
越复杂的功能越需要简单的基础，否则最后连自己都玩不过来。

静态是使用行为树需要非常着重的一个要点：即使系统需要某些”动态”性。

其实诸如Stimulus这类动态安插的Node看似强大，
但却破坏了本来易于理解的静态性，弊大于利。
Halo3相对于Halo2对BT AI的一个改进就是去除Stimulus的动态性。
取而代之的做法是使用Behavior Masks，Encounter Attitude，Inhibitions。
原则就是保持全部Node静态，只是根据事件和环境来检查是否启用Node。

静态性直接带来的好处就是整棵树的规划无需再运行时动态调整，为很多优化
和预编辑都带来方便。

直观性
行为树可以方便地把复杂的AI知识条目组织得非常直观。
默认的Composite Node的从begin往end的Child Node迭代方式就像是处理一个
预设优先策略队列，也非常符合人类的正常思考模式：先最优再次优。

行为树编辑器对优秀的程序员来说也是唾手可得。

复用性
各种Node，包括Leaf Node，可复用性都极高。
实现NPC AI的个性区别甚至可以通过在一棵共用的行为树上不同的位置来
安插Impulse来达到目的。

当然，当NPC需要一个完全不同的大脑，比如70级大BOSS，
与其绞尽脑汁在一棵公用BT安插Impulse，不如重头设计一棵专属BT。

扩展性
虽然上述Node之间的组合和搭配使用几乎覆盖所有AI需求。
但也可以容易地为项目量身定做新的Composite Node或Decorator Node。
还可以积累一个项目相关的Node Lib，长远来说非常有价值。

---