回合制战略游戏的AI算法设计.doc

回合制战略游戏的AI算法设计译自Ed WelchDesigning AI Algorithms For Turn-Based Strategy Games在动作游戏里由电脑控制的对手总是有着先天的优势：完美的命中率，快如闪电的反应，所以为这类游戏设计AI的挑战在于使其更“人性化”，可以被玩家打败。在回合制战略游戏中，局面却正好相反。速度和命中率已经不再举足轻重了，人类玩家的敏锐和直觉可以轻易地战胜任何AI对手。事实上，要设计出可以打败一名有经验的玩家的AI几乎是不可能的，但毕竟那也不是我们想要的。挑战在于让AI的攻防策略看上去是聪明的，经过考虑的，保持游戏中挑战的同时，让玩家取得最后的胜利。一旦玩家熟悉了AI的战术之后，游戏很快就会变得无聊起来，因此一定程度上的不可预见性还是很必要的。面临的挑战：一款典型的战略游戏分析引用实际的例子是理解AI设计问题最容易的方法。在这里我们来看一款太空战题材的游戏。我们的例子是一款俗称“4X”的游戏。译注：4X游戏，战略游戏的一种，其主要的四个游戏目的分别是：eXplore（探索），eXpand（扩张），eXploit（掠夺），eXterminate（毁灭）在这款游戏里，你必须扩张并征服整个星系。每个玩家都拥有战舰以及殖民舰，始于己方行星，能够殖民化适合居住的行星。为其设计AI的最初尝试可能只是一个简单的算法，分派针对各资源（如行星，或舰队）的任务，从最重要的任务开始执行。守卫正在生产的行星具有最高的优先级，因为它们最有价值。第二重要的是守卫没有生产任务的殖民地，接着是进攻敌人的主行星，之后是殖民能居住的行星，再是进攻敌人的舰队，然后修理受损的飞船，最后是探索尚未开垦的领域。总之，我们从最高优先级的任务做起，检查在离我们的行星附近是否有敌人舰队存在。正如你在图片中所看到的，敌方护卫舰X，Y威胁到AI的基地和殖民地。于是，我们找到最近的驱逐舰，分配进攻任务。你可能已经留意到我们的算法在这里的漏洞。如果碰巧，护卫舰Y先行动，距离最近的是驱逐舰A，它会被分派去作攻击。而此时护卫舰X又行动了，剩下能进攻的只有驱逐舰B了，但它离得太远，已经来不及阻止敌方护卫舰X轰炸我们的家园了。很明显，对付护卫舰Y的应该是驱逐舰B，护卫舰X则该留给驱逐舰A。此外，这个简单的算法还会引起其它的问题。来看一下一个更加复杂的场景：在这个场景里，我们的驱逐舰A因为先前的战斗严重损坏。将其再次遣往战场只是徒劳。将其送回主星球修理才是明智之举。于是就只剩下了驱逐舰B和驱逐舰C来保卫殖民地。但驱逐舰C离（敌人）的护卫舰Y太远了，更好的做法是让它轰炸敌人的殖民地，因为距离上非常接近（更别提剩下的燃料消耗同样重要）。与此同时AI全副武装的殖民舰队也会因此从主要的殖民任务中被调回。解决方案：资源分配算法分配记分为了解决以上这些具体的问题，首先我们要设计一个记分系统。每一项任务都会被分配到一个总体的优先级，如下：保卫我们的殖民地：1进攻地方的殖民地：2殖民（其他）星球：3进攻地方舰队：4修理受损舰队：5开拓未开垦的疆域：6每一项任务还有一个优先级的加权值，比如防守任务的加权值基于殖民地的价值。（有着生产任务的殖民地有着极高的加权值。）相似地，修理任务会根据受损程度计算加权值，而殖民任务的加权值则来自于行星的适合居住程度。终于我们要来考虑被舰队的距离了，如下：当前目标：生成的任务靠近殖民地的敌舰：保卫殖民地任务敌舰：进攻敌舰任务敌殖民地：进攻敌殖民地任务可居住的行星：殖民化行星任务受损舰队：修理舰队任务未开垦的领域：开拓任务分配得分 = （6 整体优先级 + 加权值） / 所分配舰队的距离因此，在先前的场景中，尽管防守任务拥有较高的优先级，但驱逐舰C离敌方星球实在太近了，所以进攻敌方殖民地的任务得分会更高。此外，因为驱逐舰A严重受损，所以驱逐舰A的修理任务的优先级加权值也会十分高。再加上它离修理站的距离很近，修理任务的得分就会高过防守任务。算法概要整体算法分为4个部分：收集任务（Gathering Tasks）AI有一张探测距离之内敌方舰队和行星，以及己方资源的列表。生成其需要完成的任务如下：可能的分配（Possible Assignments）问题的另一方面在于如果我们分配任务的次序出错的话，那么就无法做到对资源的最优利用。这可以通过分步分配任务来解决。我们使用两个特殊的类：PossibleAssignment（候选任务）和Task（任务）。PossibleAssignment通过一个任务和一个可能的“任务执行者”联系在一起，并记录“分配得分”。Task记录优先级，优先级加权值和任务。让我们来快速地看下我们的类结构，把这些都搞清楚：我们为每个“任务执行者”生成一个PossibleAssignment的组合对象。我们去掉不可能的任务组合。比如一艘未装备的飞船不能执行进攻任务，它如果没有燃料到达某个目的地，那么相应的任务也无法执行。代码是这样的：/ listAsset contains a list of all assets (for instance ships)for (n = 0; n for (f = 0; f if (listAssetf.isTaskSuitable(listTaskn) listPossAssignment.add(new PossibleAssignment(listTaskn); 接下来我们计算每个候选任务的得分，并将列表排序，由高至低。最终，在最后一部，我们实际分配任务。因为列表经过了排序，所以最有效的任务排在首位。一旦任务被分配，便将“任务执行者”标记为“忙碌”，同时将任务标记为“分配”，以免重复分配。这里是部分的代码：for (n = 0; n public void PossibleAssignment:assign() if (task.isAssigned() return;possibleTaskDoer.assign(this);public void Ship:assign(PossibleAssignment possAssign) if (task != null) return;task = possAssign.getTask();possAssign.getTask().assign(this);将算法重用于行星生产任务在现有的飞船不足以打点好所有的任务时，AI应该生产更多的飞船。比如，如果我们发现了一艘敌人的飞船，手头却没有足够的舰队进行攻击，那么我们需要建造一艘新的攻击舰。类似地，如果当前有可以居住的行星，但手头没有殖民飞船，那么我们需要建造一艘新的。实际上，生产建造的优先级和飞船任务的优先级是完全一样的。正如你在类的图标中所见的一样，飞船（Ship）和行星（Planet）都是继承自星际对象（SpaceObject），所以它们都可以被用在同样的算法中，只需要做很小的修改。这是一个在面向对象的设计中代码重用的很好的例子。这些都展示在下面的图表中：简单处事：扔掉旧的任务因为这是一个回合制的游戏，在每个新的回合开始的时候，所有上个回合的任务都过期了。比如，你的驱逐舰要去攻击的敌护卫舰可能突然撤退，或者你可能惊恐地发现，你正要殖民的行星早已被敌人占据。最简单的处理方法是扔掉所有的任务，在每个回合开始的时候重新调用分配程序。这看起来可能不那么有效率，因为并不是所有的任务都需要更新的，然而它确实可以使得AI代码大大地简单化，你不必在维护之前回合中的任务。保持代码的简单，对于AI算法来说尤为重要，因为这些算法很容易瞬间就变得过分复杂，让除错和维护变得非常困难。再者，所有的优化都应该在最后阶段，算法全部完成之后来做，而且是在明显感受到是算法一开始就拖慢了游戏的时候才做。回合中的措手不及在我们的回合中，我们的一艘飞船可能发现了新的敌人殖民地，或者飞船。我们可以立即分配给这艘飞船新的任务，但这可能会有问题。因为这艘飞船可能已经有了一个非常重要的任务。同样地，自简单和“傻瓜”（fool-proof）的做法是再次调用分配程序，保证选择最优的分配。结论：这个算法实际的作用如何？这个AI算法是在一款4X战略游戏的开发过程中设计出来的。（你可能已经通过例子猜到这点了。）实际的情况是人们有一种感觉，似乎在这些敌人的舰队背后隐藏着一种真切的智慧。飞船会出人意料地改变战术。如果敌方的飞船没有弹药了，它会突然中止战斗，返回基地进行补给。如果它没有足够的燃料回到基地，它会试着去探索未