Hierarchical Task Network 层次任务网络
World State是一个主观的对世界的认知，并不是一个真实世界的描述
Sensors负责从游戏环境中抓取各种状态
HTN Domain 存放层次化的树状结构Task和之间的关联关系1
Planner 根据World State从 Domain 里规划 task
Plan Runner 根据 Planner 设定的计划执行 Task，当 Task 执行过程中发生了很多其他问题，Plan Runner 会监控所有的状态并且告知Planner规划另一系列Task （Re-plan）
primitive：单个动作
compound：复合任务
preconditions：检测world state中哪些state条件符合，才会执行，否则返回false，
检查task执行中间是否失败 （对世界的读操作）
effects：task执行完后修改world state （对世界的写操作）
task由一堆Method构成，每个method都有一组属于自己的Precondition， Method自上而下就是优先级 Priority，类似于BT selector功能，
每个method都要执行一系列task、，全部完成，类似于BT selector的Sequence。
Goal-Oriented Action Planning
Goal set目标集：所有可以达成的目标，Htn里并没有显示的定义出目标，是从task树里看出来目标（写在注释里的）。GOAL里的目标都是用数学方式可以表达的
Planning：规划问题
每个goal是由一系列的动作完成后期望世界达成的状态来定量表达的。每个goal在动作完成后需要满足一些World State（一般是bool值），并非单一状态，而是一个目标状态的组合(Collection of States)
相比于Primitive Task，增加了Cost。有设计者定义cost，用来进行动态规划
倒着计划每个action
比较当前目标的world state和外部world state，找出未满足的state，加入到Unsatisfied State的堆栈里，
比较第一个未满足的state，以此在action set里寻找，哪个action输出的effect可改写未满足的state，移除堆栈里可改写的state
如果aciton的precondition是不满足的，把不满足的state提出，反向加入到Unsatisfied state的堆栈，action加入plan stack
最终目标清空Unsatisfied state堆栈，并且期望plan stack里的action cost最少
node：state的一个组合
egde：所有可能的action
distance：action所需的消耗
a*启发函数：选择更接近当前state组合的路径
优点：
1.相比于HTN，GOAP更加的动态
2.将目标和行为真正意义上分开（FSM，BT，HTN，行为和目标是一一锁死的，GOAP同一个目标，可能有多种行为路线，可以超出设计师的想象）
3.可以规避HTN的配置上的死锁等问题
缺点:
1.非常的复杂，计算量大于HTN和BT和FSM
2.GOAP需要对于Game World进行一个定量的表达，复杂的游戏很难通过bool变量去表达World State
通常用于传统的单机的，1V1或者少量AI博弈比较合适
Monte CarloTree Search
蒙特卡洛是一种基于随机采样的算法
State 和 Action 是用于将围棋问题抽象成数学问题的方法
State：世界的现在状态，比如这个时刻所有子的位置
Action：可执行的动作，也就是落子
判断所有的可能性，选择最有利的做法
Q 模拟赢的次数
N 模拟次数
Q / N 判断State的好坏
模拟结果要反向传导更新父节点
1.选择一个最有可能的且所有可能性未被完全展开的子节点
2.展开加一次新的探索
3.做一次simulation，对结果进行胜负模拟，确定探索方向的好坏
4.得出结果后，把数值反向传导回父节点
Expandable Node这个node的所有可能性并没有被穷尽
Exploitation 开发：优先寻找胜率高的点，也就是选择N, Q/N值都很大的Node
Exploration 探索 ：优先寻找探索 N值较小的
UCB算法：用于平衡开发和探索的算法
优先选择Q/N较高的，然后于父节点N比较，
C用于调整策略平衡，C值越大则越激进(趋向于探索)，C值越小越保守(趋向于开发)
从root开始，比较第一圈所有子节点UCB的值，最大值节点作为下一个探索方向，一直往下走到第一个Expandable Node节点(未被完全展开过)，作为当前 select node展开
类似BFS，但每次都从root开始往下走
根据性能可模拟一种或多种可能性
每个节点模拟胜负结果并反向更新父节点(每个Node的Q,N依次叠加)
设定一个搜索次数或者内存大小或者计算时间等作为停止条件
停止后得到一个Tree
在第一个子节点里，根据不同的策略方式来选择：
Max Child ：选择Q值最大的，也就是胜的最多的
Robust Child ：选择最多被访问子节点的，N值最大的，不是 Q/N
Max-Robust Child ：最大的 Q 和 N 的，如果没有则继续跑直到出现
Secure Child ：LCB Lower Confidence Bound，(考虑下执行区间)主要是对采样次数不多的选择进行一个惩罚，还是C的设置问题
优点：
1.会让AI更灵活(有随机数)
2.AI的决策是自我行为不是被动行为，超出设计师想象
缺点：
1.复杂游戏难以定义胜负，以及决策对胜负的影响
2.计算的复杂度很高
MCTS不适用于所有游戏，适用于Turn-base(你一下我一下)以及每个动作有明确输出结果(回合制战斗游戏，输出一个技能，可以精准计算对方会被打掉的血，会改变什么状态)的游戏，也可以结合其他方法作为子系统存在
Machine Learning Basic
本质是分类器，如图像识别
本质是聚类 Clustering，如用户画像构建
减少了案例 unlabeled data 的输入，主要是小样本学习的方向
没有监督也没有判断机制告诉对错。通过奖励让ai自我优化迭代形成自己的策略
本质是一个尝试+搜索 Trial-and-error search，比较难的一件事是奖励是Delay的 Delayed Reward。老鼠走到终点获得奖励不是延迟的，不是每走一步就触发奖惩机制
马尔科夫决策过程
当我在当前策略的State s的情况下，我去take一个Action a，到达一个新的状态的 possibility的多少，是一个随机变量
Pollcy：策略黑箱， 也是AI系统的核心，输入一个状态时，输出所有可能动作的概率，也是各种模型优化的核心
Total reward：γ用来平衡短期收益和长期收益，往后的每一步操作之后的状态获得的奖励通过与γ相乘来调整概率
Build Advanced Game AI
过去的算法都是有人类设计的，不会超过人类的预期，机器学习让游戏的行为有无限的可能
重点是对于游戏 Observation 的构建，也就是定量化的描述游戏状态，然后反复优化Policy
state：对世界状态的描述
action：电脑ai要指挥游戏做什么
reward：设置动作的奖励，最简单就是胜负的判断
NN design：构建神经网络的拓扑结构
Training Strategy：训练策略
从下往上看
1.通过各种游戏内的数据输入，Scalar Features, Entities, Minimap等
2.通过不同的神经网络类型，MLP， Transformer和ResNet
3.把所有结果再整合到LSTM里
4.结果是Unreadable的，完成Encode
5.Decode就是把encode的结果翻译成人类可以理解的
多层神经网络：处理定长数据
卷积神经网络：处理各种图像
处理大量时间上不定长的数据
模拟反馈和记忆，多次使用的策略会被记忆，同时有记忆在遗失
对于复杂游戏来说不能直接从零开始训练，因为收敛的速度会非常慢，首先使用人类的数据训练一个基础，相对较好的模型，通过Supervised learning开始
KL Divergence 数值差熵(两个分布之间的差会形成一个熵)，用于衡量两个概率分布的距离，差距熵越小代表着两个概率分布越相似，用于衡量AI学习人类操作到了什么地步
MA Main Agents ：每天自己和自己打35%，然后和LE和ME打50%，最后和过去的MA打15%
LE League Exploiters ：专门寻找所有Agent的弱点 Weakness
ME Main Exploiters ：专门寻找主分支MA的缺点
一直独自Training的AI虽然会越来越强，但是会使得能力专一化（过度拟合）
有大量玩家数据的情况下建议首先SL(监督学习)，因为可以快速收敛，如果数据量足够大并且足够好，ai可以达到一个不错的水平
增强学习上限非常高，但是训练非常复杂，成本非常高
如果奖励足够密集，每一步或没几下就能判断奖励结果，用增强学习，容易训练出一个好的ai，如果是探索解谜类，一个动作和结果非常的不关联，增强学习的效果比较难
文章出处登录后可见！
