即时战略游戏（比如 WAR3）的 AI 是怎样实现的？

赞同楼上所有答案。

传统即时战略 [1] 的AI其实可以分为两个部分，一个是资源管理AI，一个是战争AI。

资源管理AI 就是决定建筑、科技树、建兵的AI。

资源管理AI一般采用的是规则式AI。

规则式AI简单来说，就是一大堆if－else语句。

它有两个主要的部分，一个是工作记忆，另一个是规则记忆。[2]

工作记忆储存已知的游戏世界信息，这部分是动态的。

规则记忆储存设游戏计师设计的的规则。

正如

所说，规则都是pre－scripted的。

而当工作记忆符合规则记忆的某一条规则时，相应的行动就会被触发。

这样做的好处是，游戏设计师拥有完全的掌控权。

而它的坏处也是十分明显的——因为是pre－scripted，所以整个规则是静止的。

但是毕竟在即时战略中，「正确合理」的发展方式就那么几套方案，所以规则式AI带来的好处多于坏处。

当然，规则式AI也有一些手段来动态学习。

例如给规则的触发条件并不是一些具体的「钱多少、兵多少」，而是权重。

每次分析时，根据上一次触发的结果的好坏来调整所有规则的权重，然后选出权重最高的规则，触发相应行为。［3］

然而动态有时会带来不确定性，所以采取与否，需要看游戏的设计来决定。

战争AI 其实可以分为两层 ［4］，一层是将军AI，一层是士兵AI。

将军AI的工作是分析游戏世界，然后告诉所有士兵AI 「去哪里，做什么」。

士兵AI的工作是分析自己附近的游戏世界，然后决定相应的行为。

在 将军AI 分析游戏世界时，有可能会采用Planner［8］、Utility－Based AI或者Neural Network［11］等能够带来不确定性的AI算法。

我对Planner不熟悉，就不多说了，大家可以看看［8］链接。

Utility－Based AI是指一套打分系统，根据游戏世界的信息对行为库［5］打分，然后选出或者组合出［6］一套行为［12］。

Neural Network是指几层神经元，例如经典的三层网络——输入层、隐藏层、输出层，世界信息通过输入层输入Neural Network系统，然后输出层输出一个结果［7］。

上面提到的这些算法有一个共同的好处，能够根据游戏世界的变化带来不确定性。

因为即时战略中的战争部分是最难预测的，玩家可以有无穷无尽的战术变化，所以将军AI需要更加动态来产生更加动态的战术。

然而，这些算法，特别是Nerual Network，它们产生的结果的过程是「黑箱的」——即使是我设计的将军AI，我也不知道它是怎么工作的...游戏设计师可以说失去了掌控权。

不过，有研究表明，神经质AI在即时战略中表现最好［9］....或许，这也是算是 「出其不意」吧...

相反地， 士兵AI 需要比将军AI更加静态。

如果你把士兵拉到敌人旁边，他却在那边Idle的话...

所以楼上都有提到的有限状态机、行为树等更加静态的算法［10］会更合适，因为游戏设计师可以设计好士兵的行动规则。

例如弓箭手在距离敌人大于XX米的情况下射箭，距离小于X米的时候肉搏，士气低于XX的时候走佬。

如果用Neural Network来实现这些设计的话就会哭笑不得...对的，我就用过Neural Network设计过士兵AI，是我们大学的神经网络的作业...

除了上面的提到的算法，还有另外一些提高游戏性的算法可以采用。

模糊逻辑 ，Fuzzy Logic，让游戏世界的信息模糊化，带来合理的不确定性。

势力图 ，Influence Map，让游戏世界的信息可视化或者是规范化，有助于将军AI分析。

随机，Randomization，在适当的时候做出适当的随机选择［13］。

注释或资料来源：

［1］我个人喜欢划分【星际】【红警】【帝国】等游戏为「传统即时战略」，通常都有资源管理和战争两部分组成。区别于塔防、即时战术等即时的策略游戏。

［2］［3］资料来源：【游戏开发中的人工智能】第十一章，规则式AI。

［4］也可以是多层，视乎需求而定。

［5］行为库指的是一个很多单元行为的集合。一个例子就是行为树里面的「行为」。

［6］单元行为如果设计得好、相互没有依赖关系得话，它们之间可以相互组合。

［7］「结果」可以是一个行为的代号，也可以是一个权重。

［8］Planner资料来源：

［9］资料来源：

［10］如

所说，称之为框架会更加合适。

［11］

提到【全面战争】有用到Neural Network，但是我对文章的说的 「Neural Network用在士兵AI上」 表示怀疑，我猜测是用在将军AI上的。

［12］一个利用Utility－Based AI的成功例子

［13］感谢

提醒 :)