本文介绍了游戏AI中的Utility决策模型，解释了Utility的由来和基本概念，并与行为树进行了对比。Utility AI通过为每个action分配score，根据最高score选择执行任务。文章还探讨了score值函数的设定和数学期望在不确定性中的应用，强调Utility AI在创建复杂、智能游戏AI中的优势。
如果你背对着冷嘲热讽，它会成为助推器。
郑重说明：本文适合对游戏开发感兴趣的初级及中级开发和学习者，本人力图将技术用简单的语言表达清楚。鉴于水平有限，能力一般，文章如有错漏之处，还望批评指正，谢谢。
本系列前面的文章我们已经谈过：
今天我们来谈另外一种游戏AI的决策模型：Utility。
一、Utility 名词的由来
我们在平时的工作或学习中，需要训练发散思维以及举一反三的能力，最好能有意识得将新学习的知识或者技术与我们已知的其他事物进行横向对比，以此加深理解的深度和学习的效率。
发散的来思考，其实游戏中 NPC 的 AI 决策和我们日常生活中的决策是有类似的地方的，相关的方法论可以借用，而 Utility 的使用也正是基于这样一种思考方式。
Utility 译为效用，是微观经济学中最常用的概念之一。一般而言，效用是指消费者对各种商品和服务的消费或投资的相对满意度的度量值。基于理性选择理论的经济学理论通常认为消费者会尽可能最大化其效用。
这样说，可能还是有点难以理解，我们举一个简单的例子。比如你假期出门旅游，需要订酒店，此时有几个不错的酒店可供选择，一家酒店的价格是450元每晚，另外一家类似条件的价格是350。很明显，这里你的决策其实很简单，类似条件的选择便宜的价格即可（350元的那家）。这里各家酒店的价格
最低0.47元/天 解锁文章
扫一扫
2319
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
