对游戏中的敌人进行控制，一定绕不开的就是状态机，状态机配合控制状态机的代码，就可以完成敌方的AI设计。一般来说，敌人的AI进攻方式是由随机数决定的，在完成一次攻击后，回到待命状态，等待下一个随机数决定的攻击动作，所以这样的AI不够“聪明”，也比较僵硬，不过对于大多数的游戏来说，一些杂兵，一些体积较大的BOSS，运用这种模式还是可以达到要求的。为了调整难度，设计者就往往会设计更为强大的技能和攻击方式，更快的速度，更厚的血量来弥补BOSS的缺点。

所以，能不能设计出更好的AI呢？最近读完的两本书给了我灵感，一本是《神经网络》，另一本是《数据结构》。如果能够用神经网络的思想去改进状态机，或许我们就能打造一个简单好用的学习型AI。

图的结构和神经网络的结构中都有权，神经网络算法中不断改变最终输出结果的也是权，所以，如果我们将可以变化的权值加入到状态机中，就能够实现我们想要的结果。

在状态机中，我们通过布尔值判断一条路线的通断，并且通过随机数去改变布尔值，如果将随机数划分成不同区间，当随机数落入对应区间时改变相应的布尔值，区间大小和总区间大小都将会随着权值不断增加。

假设两个int变量a，b。现在触发B动作的概率为a/(a+b)。那么就以a，b作为区间长度。（下面是一段伪代码）

n = random(a+b);

switch(n)

{

case (0~a)

B();

break;

case (0~a)

B();

break;

}

a是变量，当B成功攻击到玩家时a++,相当于是一个正反馈，那么敌方就会随着训练次数的增多而更倾向于采取B攻击，但是当玩家已经能够熟练躲开B攻击时，一次偶然的A攻击将使玩家难以防备，这样B和C的权值将处于一种动态的平衡中，并随着n 的增大，a与b的比值将会收敛。

通过一个完整的加权状态机，我们可以得到一个能够学会连招的AI。并且它的连招会很实用，而不是浮华漂亮却毫无威力的招式。设计师将不必再设计完整的技能，而是会把一系列的攻击动作丢进状态机，连成网络，挂好代码，训练，或是利用上线的游戏获取玩家的数据去动态的训练，然后训练出一个AI高手。虽然在单机游戏中，BOSS是否不断成长对玩家而言并不重要。而且BOSS如果总是丢出难以防御的素质三连的话，玩家的游戏体验将会很差。但是在一些队友AI或是多人对战游戏的AI中，这种应用可能会有更广阔的天地。AI将不再受限于设计者的游戏认知，而且不会消耗大量的计算能力。在未来的独立游戏中或许会有发挥的空间。

今日的月亮已经不再是昨日的月亮，但我希望明日的你看向月亮的目光和今日一样