即時戰略遊戲（比如 WAR3）的 AI 是怎樣實作的？

贊同樓上所有答案。

傳統即時戰略 [1] 的AI其實可以分為兩個部份，一個是資源管理AI，一個是戰爭AI。

資源管理AI 就是決定建築、科技樹、建兵的AI。

資源管理AI一般采用的是規則式AI。

規則式AI簡單來說，就是一大堆if－else語句。

它有兩個主要的部份，一個是工作記憶，另一個是規則記憶。[2]

工作記憶儲存已知的遊戲世界資訊，這部份是動態的。

規則記憶儲存設遊戲計師設計的的規則。

正如

所說，規則都是pre－scripted的。

而當工作記憶符合規則記憶的某一條規則時，相應的行動就會被觸發。

這樣做的好處是，遊戲設計師擁有完全的掌控權。

而它的壞處也是十分明顯的——因為是pre－scripted，所以整個規則是靜止的。

但是畢竟在即時戰略中，「正確合理」的發展方式就那麽幾套方案，所以規則式AI帶來的好處多於壞處。

當然，規則式AI也有一些手段來動態學習。

例如給規則的觸發條件並不是一些具體的「錢多少、兵多少」，而是權重。

每次分析時，根據上一次觸發的結果的好壞來調整所有規則的權重，然後選出權重最高的規則，觸發相應行為。［3］

然而動態有時會帶來不確定性，所以采取與否，需要看遊戲的設計來決定。

戰爭AI 其實可以分為兩層 ［4］，一層是將軍AI，一層是士兵AI。

將軍AI的工作是分析遊戲世界，然後告訴所有士兵AI 「去哪裏，做什麽」。

士兵AI的工作是分析自己附近的遊戲世界，然後決定相應的行為。

在 將軍AI 分析遊戲世界時，有可能會采用Planner［8］、Utility－Based AI或者Neural Network［11］等能夠帶來不確定性的AI演算法。

我對Planner不熟悉，就不多說了，大家可以看看［8］連結。

Utility－Based AI是指一套打分系統，根據遊戲世界的資訊對行為庫［5］打分，然後選出或者組合出［6］一套行為［12］。

Neural Network是指幾層神經元，例如經典的三層網路——輸入層、隱藏層、輸出層，世界資訊透過輸入層輸入Neural Network系統，然後輸出層輸出一個結果［7］。

上面提到的這些演算法有一個共同的好處，能夠根據遊戲世界的變化帶來不確定性。

因為即時戰略中的戰爭部份是最難預測的，玩家可以有無窮無盡的戰術變化，所以將軍AI需要更加動態來產生更加動態的戰術。

然而，這些演算法，特別是Nerual Network，它們產生的結果的過程是「黑箱的」——即使是我設計的將軍AI，我也不知道它是怎麽工作的...遊戲設計師可以說失去了掌控權。

不過，有研究表明，神經質AI在即時戰略中表現最好［9］....或許，這也是算是 「出其不意」吧...

相反地， 士兵AI 需要比將軍AI更加靜態。

如果你把士兵拉到敵人旁邊，他卻在那邊Idle的話...

所以樓上都有提到的有限狀態機、行為樹等更加靜態的演算法［10］會更合適，因為遊戲設計師可以設計好士兵的行動規則。

例如弓箭手在距離敵人大於XX米的情況下射箭，距離小於X米的時候肉搏，士氣低於XX的時候走佬。

如果用Neural Network來實作這些設計的話就會哭笑不得...對的，我就用過Neural Network設計過士兵AI，是我們大學的神經網路的作業...

除了上面的提到的演算法，還有另外一些提高遊戲性的演算法可以采用。

模糊邏輯 ，Fuzzy Logic，讓遊戲世界的資訊模糊化，帶來合理的不確定性。

勢力圖 ，Influence Map，讓遊戲世界的資訊視覺化或者是規範化，有助於將軍AI分析。

隨機，Randomization，在適當的時候做出適當的隨機選擇［13］。

註釋或資料來源：

［1］我個人喜歡劃分【星際】【紅警】【帝國】等遊戲為「傳統即時戰略」，通常都有資源管理和戰爭兩部份組成。區別於塔防、即時戰術等即時的策略遊戲。

［2］［3］資料來源：【遊戲開發中的人工智慧】第十一章，規則式AI。

［4］也可以是多層，視乎需求而定。

［5］行為庫指的是一個很多單元行為的集合。一個例子就是行為樹裏面的「行為」。

［6］單元行為如果設計得好、相互沒有依賴關系得話，它們之間可以相互組合。

［7］「結果」可以是一個行為的代號，也可以是一個權重。

［8］Planner資料來源：

［9］資料來源：

［10］如

所說，稱之為框架會更加合適。

［11］

提到【全面戰爭】有用到Neural Network，但是我對文章的說的 「Neural Network用在士兵AI上」 表示懷疑，我猜測是用在將軍AI上的。

［12］一個利用Utility－Based AI的成功例子

［13］感謝

提醒 :)