阅读笔记-游戏开发中的人工智能-第4章-群聚

<div class="blogpost-body" id="cnblogs_post_body">
1. 基本群聚
 这一节介绍的算法，来自于Craig Reynolds在1987年发表的论文《Flocks，Herds and Schools:A Distributed Behavioral Model》。在论文中，他提出算法原型仿真整群的鸟、鱼或其他生物。 这个算法的做出的行为非常类似水中的鱼群或成群的飞鸟。所有的“类鸟群”（指模拟的群体）可以同时朝同一方向移动，接着下一时刻，群聚形成的形体之尖端会转弯，而群体中其余的部分也会跟着转，形成的类鸟群在群体中传达转弯的行为，而形成波浪状。 算法的三个规则： 凝聚：每个单位都往其邻近单位的平均位置行动。 对齐：每个单位行动时，都要把自己对齐在其邻近单位的平均方向上。 分割：每个单位行动时，要避免撞上其邻近单位。 单位视野 两个参数决定每个单位的视野，半径R和角度θ。大的半径能让单位看到群体中的更多同伴，从而产生凝聚性更强的群体。也就是说，群体没有分裂成小群体的倾向。 对于较小的视野，可能会产生类似一队蚂蚁行进的效果。比如：仿真一群战斗机，可能会使用大角度。仿真一直军队鬼鬼祟祟跟踪某人，可能会用小角度。 <img alt="" border="0" height="223" src="https://201907.oss-cn-shanghai.aliyuncs.com/cs/5606289-de190792afbb23174ff56f5cc279a36f.png" style="width:417px;" width="417"> <img alt="" border="0" height="205" src="https://201907.oss-cn-shanghai.aliyuncs.com/cs/5606289-9d6315c357612f6e6bd409ae4d1af52c.png" style="width:396px;" width="396"> 图-单位的视野 图-宽视野与窄视野
 2. 群聚实例
2.1 行进模式 这个实例考虑的是以物理机制为基础的范例，把每个单位视为刚体，通过在每个单位的前端施加转向力，来保证群聚的行进模式。每条规则都会影响施加的力，最终施加的力和方向是这些规则影响的综合。另外，需要考虑两件事：首先，要控制好每条规则贡献的转向力；其次，要调整行进模式，以确保每个单位都获得平衡。 对于避开规则：为了让单位不会彼此撞上，且单位根据对齐和凝聚规则而靠在一起。当单位彼此间距离够宽时，避开规则的转向力贡献就要小一点；反之，避开规则的转向力贡献就要大一些。对于避开用的反向力，一般使用反函数就够用了，分隔距离越大，得出的避开用转向力越小；分隔距离越小，得出的避开用转向力越大。 对于对齐规则：考虑当前单位当前方向，与其邻近单位间平均方向间的角度。如果该角度较小，我们只对其方向做小幅度调整，然而，如果角度较大，就需要较大的调整。为了完成这样的任务，可以把对齐用的转向力贡献，设定成和该单位方向及其邻近单位平均方向间的角度成正比。 2.2 邻近单位 凝聚，对齐，分隔三个规则要起作用的前提是得到每个当前单位的邻近单位。邻近单位就是当前单位视野范围内的单位，需要从角度和距离两方面进行判断。 首先根据角度检测，对于不同的视野检测方法是不同的（比如，宽视野，窄视野），下面的例子是对于宽广视野的检测 ·计算d=目标单位位置-当前单位位置，w为d以目标单位反方向的坐标系中的向量坐标。 ·如果w.y>0，则目标单位必然在视野范围内。 ·如果w.y<0，则要看x，y坐标构成的线段斜率，是否在设定的视野区域之外，如果fabs(w.x)>fab(w.y)*_BACK_VIEW_ANGLE_FACTOR，则目标单位在视野范围内。其中的_BACK_VIEW_ANGLE_FACTOR就是视野角度系数。该系数等于1时，视野弧线的直线与x轴夹角是45度，该系数越大，两条线越接近x轴，不可见区域越大，反之，系数越小，两条线越接近y轴，不可见区域越小。 <img alt="" border="0" height="405" src="https://201907.oss-cn-shanghai.aliyuncs.com/cs/5606289-caf86c56974446e4c9af1bcc733cf68d.png" width="863"> 图-宽广视野 此外，书中还给出了有限视野（实际上就是个半圆）和狭窄视野（实际上是一个扇形）的角度检测方法。在经过角度检测后，还要检测距离。如果向量d的数值小于当前单位的长度与视野半径的乘积，即可以认为目标单位与当前单位足够接近。这样经过角度

阅读笔记-游戏开发中的人工智能-第4章-群聚

浏览过的版块