回合制战略游戏的AI算法设计

回合制战略游戏的AI算法 AI Ed Welch《Designing 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 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：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 (listAsset[f].isTaskSuitable(listTask[n])) { 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： 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。 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。 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，它会试着去探索未开垦的区域。（这是仅有的有效任务。）新的飞船从船坞中 诞生后整个舰队的命令可能都会改变。一些飞船会返回进行修理，让新出炉的战舰展开进攻。 基本上这个算法有着上佳的―性价比‖（―bang for buck‖），是一个实现和出错都很轻松的，并不太复杂的算 法，但仍然造就了具有挑战性的AI对手。 即便这个算法是为某种类型的游戏专门设计的，它还是可以简单移植到其他类型的战略游戏中。