共 3 篇相关文章
这篇讲的是作者如何将游戏AI中的行为树概念落地为一段具体的C代码实现。文章从游戏开发中传统状态机的扩展性难题切入，引出了行为树作为解决方案的背景。 作者梳理了行为树的核心结构：由负责逻辑判断的中间节点（如顺序、优先级）和执行动作的叶子节点构成，并通过“黑板”机制在节点间共享数据。重点在于其实现部分——作者对比了800行的C++实现，认为其封装偏深，因此用约400行C代码，以组合而非继承的方式完成了一个更轻量的版本，并解释了核心API如创建节点、分支与执行tick的设计。 文章还透露了行为树在工业实践中往往依赖可视化编辑器生成JSON描述，为后续扩展埋下了引子。整体而言，这是一次从理论到轻量级代码的实践记录。
这篇技术博客深入剖析了2048游戏背后AI程序的决策核心。作者从游戏可被抽象为信息对称双人对弈模型入手，揭示了AI以超过90%概率通关的关键，源于对经典博弈算法的巧妙运用。 文章首先用“三张纸币”的直白例子，阐释了Minimax算法的“悲观决策”思想：它假设对手完美应对，于是AI总在自身可能的最坏结果中选取最优路径。紧接着，针对Minimax随搜索深度指数级增长的计算瓶颈，文章详细拆解了Alpha-beta剪枝的工作原理。通过逐步推演搜索树的构建过程，生动展示了算法如何利用α和β两个边界值，提前裁剪掉那些“不可能更优”的分支，从而在不改变最优解的前提下，将搜索效率提升近一倍。 最后，文章分析了开发者将这套算法落地于2048的具体实现。这篇分析不仅清晰传达了核心算法的逻辑，更通过完整的决策树推演，让读者直观感受到算法如何从理论走向实践，为理解类似游戏AI的开发提供了扎实的范例。
这篇文章从作者阅读游戏编程书籍中有关模糊逻辑的章节出发，用了一个生动的例子来阐释：在游戏中，一个NPC决定是否追击玩家，可能同时受到“距离出生点远近”和“自身血量多少”等多个条件的约束。传统的精确逻辑设置一个硬性阈值（如超过40米就放弃），会导致在边界点上决策发生突变，不够智能和平滑。 作者随即引出模糊逻辑如何解决这一问题。它不再使用非此即彼的分界，而是将“远近”、“血量多少”这样的输入，通过定义“近、中等、远”等模糊集合进行软化。然后，基于一组人类经验式的模糊规则（例如“如果距离远且血量少，就非常不想追击”），经过模糊推理和最后的去模糊化计算，能输出一个确定的、但连续平滑的决策倾向值。 文章进一步指出，当决策条件增多、规则发生组合爆炸时，可以使用Combs方法将复合规则拆解为一维的独立规则来简化设计。虽然可能导致少量矛盾，但实践证明其结果与完整规则组合非常接近。整体上，这篇文章通过一个具体的游戏AI场景，将模糊逻辑从概念到实现的关键步骤进行了清晰拆解，说明了它如何让AI的决策行为更接近人类的柔性判断。
