Saya bukan gamedev, saya hanya seorang pembuat kode tidak ingin game. Saya bertanya-tanya, bagaimana cara AI bekerja dalam game modern populer, katakanlah, FPS? Apakah ini berdasarkan aturan hard-coded? Berapa banyak kesamaannya dengan AI jenis lain (seperti yang memberi tenaga pada mobil otonom, dll)? Bagaimana pengembang memastikan AI berperilaku alami dan menyenangkan untuk dimainkan?
Hal-hal yang saya Google googled menyebutkan turunan yang berbeda dari MinMax tetapi gagal untuk menjawab bagaimana AI berurusan dengan dunia yang terus berubah dan dapat berubah, untuk tindakan / kondisi apa AI dihargai dan bagaimana hal itu mencari tahu peluangnya untuk keberhasilan tindakan yang berbeda. Saya juga melihat Machine Learning disebutkan di sana-sini tetapi sepertinya itu tidak digunakan dalam game yang serius?
Jawaban:
Ada banyak metode. Saya akan menjawab untuk FPSes karena masing-masing genre memiliki set masalahnya sendiri, dan pendekatan AI sangat tergantung pada domain masalah dan cara terbaik untuk mewakilinya.
Pendekatan FPS umum meliputi:
Dan berbagai permutasi dan variasi di atas.
Minimax umumnya tidak digunakan untuk game dengan keadaan terus-menerus seperti FPS, lebih banyak untuk game berbasis giliran di ruang permainan diskrit seperti Catur, dll. Minimax dapat digunakan untuk perencanaan pada tingkat tinggi, tetapi umumnya itu bukan karena ada sistem yang lebih baik (yaitu (di atas) ketika dihadapkan dengan banyak musuh, informasi tidak lengkap, tetapi rencana sederhana.
Mereka memastikan AI menyenangkan dengan bermain-main. Jika terlalu menantang, mereka dapat memasukkan kesalahan ke dalam heuristik keputusan, atau keterlambatan reaksi mereka, atau menerapkan faktor acak untuk tujuan mereka, dll. Jika itu tidak cukup menantang, mereka hanya perlu meningkatkan data yang dipasok ke algoritma .
sumber
Ada banyak makalah tentang bagaimana berbagai AI bekerja, yang paling saya kenal adalah TAKUT
sumber
Dua metode yang lebih umum
Pencarian UCT. Ada formalisme, tetapi idenya pada dasarnya adalah melakukan permainan acak sampai permainan berakhir, dengan umpan balik untuk menimbang permainan yang menang lebih berat daripada yang kalah. Yang menyenangkan tentang bentuk murni ini adalah bahwa AI tidak memerlukan pengetahuan tentang apa yang mungkin menjadi langkah yang lebih baik atau lebih buruk.
Pencarian Minmax, biasanya dikombinasikan dengan pemangkasan pohon alfa-beta, pada dasarnya melakukan pencarian lengkap ruang permainan sampai kedalaman tertentu, mengevaluasi setiap simpul terminal dengan evaluator statis yang memberikan nilai numerik. Ini bekerja dengan baik untuk game di mana ada metrik yang jelas yang mengukur kemajuan menuju kemenangan.
sumber