遊戲開發之路

今年的TGDF有聽了蠻多的分享，個人覺得是比較想聽技術，但其實也猜到理論一定大過技術，今年下午茶比較豐盛(這是重點嗎XD

好啦打了很多廢話，就進入主題啦

遊戲狀態的函式

下方為遞迴函示

function g_n(s' = g_n-1(s,P),P) | M

M為遊戲規則與邏輯

s為初始化狀態

P為玩家設定

s'為目前的遊戲狀態

P玩家設定

由前一狀態與玩家資源的變動進而得到這遊戲最後的狀態

遊戲其實是由許多狀態組成

隨著遊戲時間得不同，各項玩家目前所能控制資源也會不同

而在某個時刻，這些玩家能控制的資源組合，就是所謂的狀態

而資源部分可以有哪些?

有可能是位子、有可能是血量、有可能是角色類型.....

而決策邏輯的其一行為選擇就是由某一玩家元素和目前狀態取得(就是說我這個AI角色(玩家)在這個情勢下能做甚麼事情)

決策邏輯是一連串行為的序列(能做的事情有很多種)

隨著遊戲的不同能做的行為也不同

前面有提到這些行為是由不同玩家的狀態資訊而取得

而決策邏輯其實就是一堆演算法，每個演算法白話一點就是"我要怎麼做，告訴我"

AI機器人  => 就是一堆行為的最佳演算法的集合

以撞球8-ball為例：有5個階段

前面有說隨著遊戲的不同能做的行為也不同

這5個階段其實就是5個行為

然後5個行為也就會有5個最佳演算法

這裡的最佳演算法並不是獨立的

而是這些演算法經過交叉運算進而得到的最佳解

而這些也會因AI等級不同而有不同的排列組合

也可以為每一個角色的行為做各種不同的列舉

依各個演算法裡有各個不同行為，而在下一步又會經過一輪的組合，以此類推，把所有行為排列組合這個資料量是非常的大的

所以在做排列組合前，可以先屏除此輪不要的行為

這裡可以依照不同的情況選擇需要的演算法去找最佳解：

ex：蒙地卡羅演算法、Alpha Beta演算法.......

 再來想說一下Utility AI 類仿真人行為(雖然不是這次的主題XD，此為2017 GDC 分享會的AI in Game的議程)

Utility AI

仿真人行為：

假設很餓想吃東西，吃了一片披薩，還是餓，在吃一片，還是餓，那第三片他會吃還不吃，有可能會有可能不會

畢竟同一個東西吃多了可能會反胃，這就證明吃披薩和肚子餓並不一定是正比

這就是仿真

再來把FPS決策邏輯縮小

目前幾種行為：

• 移動到敵人
• 開槍射敵人
• 移動到掩蔽物
• 裝子彈

甚麼時候做甚麼，有幾種參數做比較

子彈是否上膛、是否在掩蔽物範圍、移動到敵人的距離、到掩蔽物的距離

子彈上膛 - 有 or 沒有

是否在掩蔽物範圍 - 是 or 不是

移動到敵人的距離 - 以100 50 10 1 來劃分等級

到掩蔽物的距離 - 以50 5 1 來劃分等級

Behaviour Tree來畫

誰擺在第一個判斷，將會決定複雜程度

一般來說，會把變化情形少的放在前面，雖然目前看起來很直覺，但目前是縮小決策邏輯，隨著決策越多會越來越複雜

Utility AI

一個表格4個Action項目就畫出來了

第一：把行為列出來

第二：依照行為給分

而Utility AI 和 Behaviour Tree也可以搭配使用

可以先用Utility AI做大規模的巨觀，再用做次微觀，進而列出Behaviour Tree

優點：

用權重的調整，輕鬆了修改整個判定

行為的擴充容易

品質提升，不需改寫程式

Utilty AI 還是有缺點

取決於做的人，權重調整等等

可以用學習的方式，得到這些數值，去仿真人行為

分享就到這邊啦，很多東西還要更深入的研究，這裡理論部分比較多 bye~