跳到主要内容

使用决策树实现智能游戏 AI

1. 简介​

  在游戏开发中，人工智能（AI） 扮演着至关重要的角色。本教程将介绍如何利用 Dora SSR 引擎提供的 C4.5 决策树 算法来创建智能的游戏 AI。我们将通过一个简单的示例，逐步学习这一过程。

1.1 什么是决策树？​

  决策树是一种类似于流程图的结构，用于辅助决策。想象一下我们在玩“猜动物”的游戏：

  这就是一个简单的决策树示例。在游戏 AI 中，我们可以使用类似的结构来做出智能决策。

2. 准备工作​

  首先，我们需要准备训练数据。假设我们正在开发一个简单的格斗游戏 AI，需要决定何时攻击、防守或逃跑。

2.1 准备训练数据（CSV 格式）​

  训练数据的格式说明：

  • 第一行：包含所有特征的名称，例如“距离”、“敌人血量”等。
  • 第二行：定义每个特征的数据类型，其中：
    • C 表示分类（Categorical）数据，如“近”、“远”等离散值。
    • N 表示数值（Numerical）数据，如具体的血量数值。
  • 第三行开始：实际的训练数据，每行代表一个训练样本。
  • 最后一列：决策结果，即 AI 应采取的行动，这是决策树要学习预测的目标值，可以是分类值或数值。
距离,敌人血量,我方血量,行为
C,C,C,C
近,高,高,攻击
近,低,高,攻击
远,高,低,逃跑
中,中,低,防守
远,低,高,攻击

3. 基础代码实现​

  让我们通过这组训练数据训练并生成一个决策树，以实现简单的战斗 AI：

local thread <const> = require("thread")
local ML <const> = require("ML")

-- 准备训练数据
local trainingData = [[
距离,敌人血量,我方血量,行为
C,C,C,C
近,高,高,攻击
近,低,高,攻击
远,高,低,逃跑
中,中,低,防守
远,低,高,攻击
]]

-- 构建决策树
function buildDecisionTreeAsync()
	local trainingResult = {}

	-- 最大深度设置为 3
	local accuracy, err = ML.BuildDecisionTreeAsync(trainingData, 3, function(depth, name, op, value)
		-- 根据深度添加缩进
		local line = string.rep("\t", depth + 1)

		-- 处理叶子节点（结果节点）
		if op == "return" then
			line = line .. 'return "' .. value .. '"'
		else
			-- 构建条件语句
			local valueStr = (op == '==' and '"' .. value .. '"' or value)
			line = line .. "if " .. name .. " " .. op .. " " .. valueStr
		end
		table.insert(trainingResult, line)
	end)

	if err then
		print("构建决策树时出错:", err)
		return
	end

	print("决策树准确度：", accuracy)
	print("决策树结构：\n" .. table.concat(trainingResult, "\n"))

	return trainingResult
end

-- 用下面的代码测试异步构建决策树
thread(buildDecisionTreeAsync)

3.1 可视化生成的决策树​

  生成的决策树结构如下：

4. 在游戏中使用​

  下面是一个简单的续写示例，展示如何在游戏角色中应用这个 AI 决策树：

local yue <const> = require("yue")
local Vec2 <const> = require("Vec2")

thread(function()
	-- 构建决策树
	local trainingResult = buildDecisionTreeAsync()

	-- 加载决策树为一个 YueScript 函数
	local decisionFunction = yue.loadstring(
		"(data)->\n" ..
		"\t:距离, :敌人血量, :我方血量 = data\n" ..
		table.concat(trainingResult, "\n")
	)()

	-- 定义角色类
	local Character = {}
	function Character:new()
		local char = {
			position = Vec2.zero,
			health = 100,
			maxHealth = 100
		}
		setmetatable(char, {__index = Character})
		return char
	end

	-- 根据血量百分比返回状态
	function Character:getHealthState()
		local healthPercent = self.health / self.maxHealth
		if healthPercent > 0.7 then return "高"
		elseif healthPercent > 0.3 then return "中"
		else return "低" end
	end

	-- 根据实际距离返回状态
	function Character:calculateDistance(enemy)
		local distance = self.position:distance(enemy.position)
		if distance < 50 then return "近"
		elseif distance < 150 then return "中"
		else return "远" end
	end

	-- 决定行动
	function Character:decideAction(enemy)
		return decisionFunction{
			["距离"] = self:calculateDistance(enemy),
			["敌人血量"] = enemy:getHealthState(),
			["我方血量"] = self:getHealthState()
		}
	end

	-- 更新角色状态并采取行动
	function Character:update(enemy)
		local action = self:decideAction(enemy)
		-- 执行对应的行为
		print("执行动作：" .. action)
	end

	-- 创建角色实例
	local character = Character:new()
	local enemy = Character:new()

	-- 设置敌人的位置
	enemy.position = Vec2(100, 100)
	-- 当前角色应执行“攻击”
	character:update(enemy)

	-- 更新角色血量
	character.health = 10
	-- 当前角色应执行“防守”
	character:update(enemy)
end)

5. 实际运用说明​

5.1 决策树的优势​

  决策树作为一种机器学习算法，在游戏 AI 开发中具有以下优势：

  • 易于理解和实现：决策树的结构直观，类似于人类的决策过程，便于开发者理解和实现复杂的决策逻辑。
  • 透明的决策过程：每个决策步骤都是清晰可见的，方便调试和优化 AI 的行为。
  • 灵活性强：可以根据游戏需求，随时调整决策树的结构和参数，使 AI 行为更符合设计目标。
  • 高效性：决策树在运行时仅需简单的条件判断，计算开销小，适合实时性要求高的游戏场景。

5.2 使用注意事项​

  在使用决策树构建游戏 AI 时，需要注意以下几点：

  • 训练数据的代表性：确保训练数据覆盖各种可能的游戏情景，使 AI 能够应对不同的状态。建议使用真实玩家的数据作为训练样本。
  • 避免过拟合：决策树深度不宜过大，过深的树可能过度拟合训练数据，降低对新数据的泛化能力。可以从较小的深度开始，根据效果逐步调整。
  • 持续优化：在游戏运行过程中，持续收集新的数据，定期重新训练模型，使 AI 能够适应玩家的策略变化。

6. 进阶优化建议​

  • 添加更多特征：例如：

    • 技能冷却时间
    • 可用道具数量
    • 周围地形信息

  • 动态调整 AI 行为：

      在游戏过程中，可以根据玩家的行为数据，动态更新训练数据，重新训练决策树，使 AI 更贴近玩家的风格。

    function Character:updateAI(enemy, battleAction)
    	-- 记录新的战斗数据
    	local newTrainingData = string.format("%s,%s,%s,%s\n",
    		self:calculateDistance(enemy),
    		enemy:getHealthState(),
    		self:getHealthState(),
    		battleAction
    	)
    	trainingData = trainingData .. newTrainingData
    	-- 定期重新训练 AI
    	thread(function()
    		buildDecisionTreeAsync()
    		-- ... 其他处理逻辑
    	end)
    end

7. 常见问题解答​

  • Q: 决策树的深度应该设定为多少？

    A: 建议初始深度设置为 3 或 4。深度过大可能导致过拟合，深度过小可能无法捕捉复杂的决策逻辑。

  • Q: 如何改进 AI 的表现？

    A: 可以通过以下方式改进：

    • 增加训练数据的数量和多样性
    • 调整决策树的深度和参数
    • 添加更多有意义的特征（如环境因素、敌人类型等）

  • Q: 需要多少训练数据才够？

    A: 起初可以使用 50-100 条数据，根据游戏复杂度和测试结果，逐步增加数据量以提升 AI 的准确性。

8. 总结​

  通过本教程，我们学习了：

  • 决策树的基本概念：理解了决策树如何辅助决策，以及其在游戏 AI 中的应用。
  • 如何准备训练数据：掌握了构建有效训练数据集的方法，为模型训练打下基础。
  • 使用 Dora SSR 的 ML 模块构建决策树：学会了如何利用引擎提供的工具，快速构建决策树模型。
  • 在游戏中实际应用决策树：了解了如何将训练好的模型整合到游戏逻辑中，实现智能决策。
  • 优化和改进 AI 系统的方法：认识到持续优化的重要性，以及如何通过调整模型和数据来提升 AI 的表现。

  记住，一个优秀的游戏 AI 不仅要有复杂的算法，更要能提升玩家的游戏体验。通过不断地调整和优化，你可以创造出既有趣又具有挑战性的游戏 AI。