游戏AI怎么写（一）——高级随机技术

写在前面

最近在研究游戏AI，感觉要写一个不傻的AI并没有那么容易，于是开始研究AI到底该怎么写，有没有什么技巧和框架。
发现Web图书：Game AI Pro
刚开始读这一套书，我似乎意识到了把技巧理论化的重要性，我写AI时用瞎搞的逻辑，居然是什么“施密特触发器”“双阈值法滞后”，我决定把这一套书读完。

知识点

1.施密特触发器和滞后

据说双阈值法滞后是保持AI控制系统干脆利落的关键
例：物体A跟随物体B，物体A与物体B的距离超过5米，A就会靠近B，当A与B的距离缩小到2.5米以下的时候，停止跟随。再次超过5米，又会进入跟随状态。

const float SEPARATION_DISTANCE = 2.5f; 
const float APPROACH_DISTANCE = 5.0f; 
if (approach_player == false) { 
	if (distance > APPROACH_DISTANCE) 
	{ 
		approach_player = true; 
		//动作函数
	} 
} 
else 
{
 	if (distance < SEPARATION_DISTANCE)
	{ 
		approach_player = false; 
	} 
}

注：这段是c语言伪代码，本篇博客中其余脚本均为MATLAB

2.高斯随机值

你一定了解过正态分布，在概率论，统计学等诸多学科都有用到
如果不知道： https://zh.wikipedia.org/wiki/正态分布

我们经常用到伪随机数rand()，它可以产生白噪声，是绝对随机的。但这样的随机往往满足不了我们的需求
比如我们以 vec2(0.5,0.5)为中心，产生100个随机坐标

clear;
x=rand(1,100);
y=rand(1,100);
scatter(x,y);

但是过于随机了，我们想增加落在 vec2(0.5,0.5)周围的概率

clear;
x=zeros(1,100);
y=zeros(1,100);
for i=1:20
    x=x+rand(1,100)*0.05;
    y=y+rand(1,100)*0.05;
end
scatter(x,y);

射击游戏的精准度应该就是根据正态分布标准差得来的

3.随机处理对策

我们随机生成40个 0 1

clear;
x=1:1:40;
y=floor(rand(1,40)*2.0);
stairs(x,y);
axis([0 40 -0.5 1.5]);//设置XY轴范围
set(gca,'xtick',x);//设置坐标精度

似乎并没有我们想象的那么随机，现实是会出现很多连续序列。//所以说现实和我们计划的总是不一样
解决办法：根据情况翻转数值，比如连续和重复情况
总之就是设定规则，比如浮点型的差值，规律性，根据情况重新生成，再次判断
筛选高斯随机数的随机范围，可以根据值，标准差，重新生成
注意保持随机算法各自独立

4.应用于游戏AI中的柏林噪声

这是当然了
一维柏林噪声在游戏AI中的潜在应用有
角色移动：方向，速度，加速度
动画叠加层：角色的面部表情或注释动作增加噪声影响
精准度：连续的成功或失败，需要保持的势头
注意力：守卫的警惕性、反应时间
行为风格：防御型，进攻型
角色情绪：冷静、愤怒、高兴、沮丧、狂暴、无所事事、专心致志
/////论读书的好处，我甚至想到了，二维柏林FBM+阈值可以用来给大面积植被上MainColor
在有大量角色而且玩家不会仔细观察这个角色时，这种方法尤为有用

limx=[0 10];
dx=1/64;
x=limx(1):dx:limx(2);
numx=diff(limx)+1;
uxmat=rand(1,numx+1)*2-1;
numx_z=diff(limx)/dx+1;
zmat=zeros(1,numx_z);
for j=1:length(x)
    ddx=x(j)-floor(x(j));
    ux=uxmat(1,floor(x(j))-limx(1)+1);
    n0=(ux*ddx);
    ddx=x(j)-floor(x(j))-1;
    ux=uxmat(1,floor(x(j))-limx(1)+2);
    n1=(ux*ddx);
    zmat(j)=lerp(n0,n1,x(j)-floor(x(j)));
end
zmat=zmat*2;
plot(x,zmat)

function u=lerp(a,b,t)
    tw=6*t.^5-15*t.^4+10*t.^3;
    u=(1-tw)*a + tw*b;
end

可控因素：频程的阶数、频程的范围、每阶的放大倍数、差值函数的选择。

未完待续

此分类的下一篇将会记录AI常用的体系框架及技巧。
只要实习之余我有时间就会尽量填坑。。。
挖坑太多填不上，也请见谅