Создание игр для мобильных телефонов - Майкл Моррисон

В копилку Игрока

В действительности пришельцы в игре Galaga используют комбинацию алгоритмов случайного и предопределенного преследования. Несмотря на это, задачей пришельцев является преследование игрока. Кроме того, при переходе игрока на новый уровень блуждающий ИИ начинает больше работать по алгоритму преследования, нежели по алгоритму предопределенного преследования, усложняя игру. Это демонстрирует, как полезно комбинировать различные типы блуждающего ИИ. Речь об этом пойдет в следующей главе, когда вы будете знакомиться с поведенческим ИИ.

Движения обычно задаются массивами скоростей или смещений от положения (приращениями), которые при необходимости изменяют траекторию объекта, например:

int[][] zigzag = { {3, 2}, {-3, 2} };

xAlien += zigzag[patternStep][0];

yAlien += zigzag[patternStep][1];

Этот код показывает, как создать очень простое движение по вертикальному зигзагу. Массив целых чисел zigZag содержит пары приращений координат XY, используемых для задания движения. Переменная patternStep – это целочисленная величина, определяющая текущий этап в движении. Когда объект движется по зигзагу, за один игровой цикл он перемещается на 2 пикселя вверх, смещаясь при этом на 3 пикселя влево или вправо.

Поведенческий ИИ

Несмотря на то что каждый из типов блуждающего ИИ очень полезен для решения определенных задач, на практике часто применяется их комбинация. Поведенческий ИИ – это другой основной тип игрового ИИ, который комбинирует алгоритмы блуждающего ИИ, чтобы задать поведение объектов. Вернемся к примеру с пришельцем; что, если вы захотите, чтобы иногда пришелец преследовал игрока, иногда уклонялся от него, иногда двигался заданным образом, а иной раз двигался хаотично? Другой хороший довод в пользу применения поведенческого ИИ – это возможность повышения сложности при переходе на более высокие уровни. Например, вы можете применять алгоритм преследования в большей степени, чем другие алгоритмы.

Чтобы реализовать поведенческий ИИ, необходимо установить ряд правил поведения. Задать поведение игровых объектов не так уж и сложно. Обычно требуется разграничить модели поведения для всех объектов системы, а затем применить ту или иную модель к каждому из объектов. Например, в системе пришельцев можно выделить следующие модели поведения: преследование, уклонение, движение по заданной траектории, случайное перемещение.

Для каждого типа поведения пришельца вы зададите определенный процент использования того или иного поведения, отделяя их таким образом друг от друга. Например, для агрессивного пришельца модель поведения можно задать так: преследование – 50 %, уклонение – 10 %, полет по траектории – 30 % и случайные перемещения – 10 %. С другой стороны, для более пассивного пришельца подошла бы такая модель: преследование – 10 %, уклонение – 50 %, полет по заданной траектории – 20 %, случайное перемещение – 20 %.

Такой подход хорошо работает и приводит к удивительным результатам, несмотря на простоту реализации. Обычно для реализации используется конструкция switch или вложенная конструкция if-else, например:

int behavior = Math.abs(rand.nextInt()) % 100;

if (behavior < 50)

// преследование

else if (behavior < 60)

// уклонение

else if (behavior < 90)

//полет по траектории

else

//случайное перемещение

Как вы видите, создание и применение определенного типа поведения – это область, в которой вы можете проявить свою фантазию. Один из лучших способов почерпнуть идеи поведения тех или иных игровых объектов – это найти аналогии в животном мире (и, к сожалению, в мире человека тоже!). Факт, что обычная система ИИ «летай или стреляй» может творить чудеса, если грамотно применить ее к различным типам игровых объектов. Фантазируйте, создавайте разнообразные модели поведения!

Стратегический ИИ

Последний фундаментальный тип игрового искусственного интеллекта – это стратегический ИИ. В сущности, он представляет собой обычный ИИ, разработанный для игры с хорошо определенными правилами. Например, управляемый компьютером оппонент при игре в шахматы будет использовать стратегический ИИ для оценки того, насколько каждый следующий ход увеличивает вероятность победы. Стратегический ИИ определяется тем или иным типом игры, потому что он тесно связан с игровыми правилами. Но даже в этом случае есть возможность реализации такого ИИ в различных типах игр, например, в играх, где на доске располагаются фигуры. На ум сразу приходят шашки и шахматы, тем более что опыт разработки искусственного интеллекта для них очень богат....

В копилку Игрока

Каждые несколько лет лучшие игроки в шахматы соревнуются с компьютерными шахматными программами, чтобы увидеть, насколько далеко продвинулись работы над созданием искусственного интеллекта. В 2003 году чемпион мира по шахматам Гарри Каспаров сразился в поединке «Человек против Шахматного компьютера» (Man vs. Machine Chess Championship), проходившем в Нью-Йорке, с компьютерным чемпионом мира Дип Джуниор (Deep Junior). Несмотря на то что в 1997 году Каспаров уступил шахматной программе Deep Blue, выпущенной компанией IBM, он вернул нас на прежний уровень, сыграв вничью с Deep Junior в 2003 году.

В стратегическом искусственном интеллекте, особенно для настольных игр, обычно используется методика прогнозирования для определения наилучшего хода. Прогнозирование обычно используется вместе с набором предопределенных ходов. Чтобы этот прием имел смысл, необходим метод прогнозирования и счисления очков. Такой подход также известен как взвешивание и зачастую представляет основную сложность для реализации стратегического ИИ в настольной игре. Например, взгляните на классические настольные игры – шашки и шахматы – и подумайте, насколько сложно оценить после каждого хода, кто выигрывает. А теперь пойдите дальше и представьте, насколько сложна задача расчета очков игрока на каждой стадии игры. Очевидно, что к концу игры это сделать намного проще, чем в начале, но на старте очень сложно судить, у кого преимущество, потому что вариантов ходов большое множество. Попытка оценить положение в игре – это еще более сложная задача.

Тем не менее есть множество способов подсчета взвешенных баллов в стратегических играх. Используя метод прогнозирования и взвешивания, стратегический ИИ может проверять все возможные ходы каждого игрока, в том числе прогнозируя игру на несколько шагов вперед, после чего определяя, какой ход является наилучшим. Этот метод известен как «метод наименее худшего хода». Он называется именно так, а не «метод наилучшего хода», потому что при таком подходе выбирается ход, менее всего выгодный другому игроку. Несмотря на то что исход приблизительно одинаков, в этом случае интересно понаблюдать за развитием игры. Хотя метод прогнозирования при создании ИИ очень полезен, он может потребовать достаточно большого объема вычислительных мощностей, если необходимо выполнить достаточно «глубокий» прогноз (иначе говоря, если компьютер должен быть очень сообразительным).

Чтобы лучше понять стратегический ИИ, рассмотрим компьютерного игрока в нарды. Компьютер должен выбрать от двух до четырех движений из всех возможных вариантов, а также решить, сдваивать фигуры или нет. Реальная программа для игры в нарды может присвоить комбинациям положений различные веса.

Затем будет выполнен расчет веса каждого возможного хода, что обычно является очень трудной задачей даже в игре с простыми правилами, как нарды. Теперь давайте перенесем такой сценарий на военную игру с несколькими дюжинами боевых единиц, каждая из которых имеет свои уникальные характеристики, а также ландшафт и различные факторы, еще более усложняющие расчет. При таких условиях и при ограниченных вычислительных ресурсах нельзя составить оптимальный алгоритм стратегического ИИ.

Решение в данном случае – это метод «достаточно хороший ход», а не «лучший ход». Один из лучших способов поиска «достаточно хорошего хода» – это заставить компьютер играть за обе стороны, используя различные алгоритмы веса для каждой из сторон. Затем откиньтесь в кресле и понаблюдайте, кто одержит победу. Такой подход обычно требует большого числа экспериментов и изменений кода, однако в результате можно создать действительно сильного компьютерного противника, а понаблюдать за баталиями крайне интересно.

Разработка стратегии

Теперь, когда вы понимаете основные концепции ИИ, используемые в играх, можно подумать о стратегии ИИ в собственной игре. Когда вы принимаете решение о том, какой ИИ использовать в игре, необходимо выполнить подготовительную работу, чтобы определить нужный тип и уровень ИИ. Вам необходимо определить, какой уровень игры компьютера вам необходим, возможности, ресурсы и временной интервал.

Если ваша главная цель – это разработка игры, которая развлекает и захватывает действием, выбирайте самый простой ИИ. Попробуйте сначала использовать самый простейший ИИ вне зависимости от ваших целей, вы в любой момент сможете усложнить его. Если вам кажется, что в вашей игре не подойдет ни один из описанных мною типов ИИ, вы можете поискать другие варианты, подобрать что-то более подходящее для решения задачи. Важно отметить, что на разработку ИИ должно быть отведено много времени, поскольку 90 % уйдет на то, чтобы заставить работать алгоритм так, как это требуется.