游戏AI的决策部分是比较重要的部分，游戏程序的老前辈们留下了两种经过考验的用于AI决策的结构：
- 有限状态机
- 行为树
在以前，游戏AI的实现基本都是有限状态机，
随着游戏的进步，游戏AI的复杂性要求越来越高，传统的有限状态机实现很难维护越来越复杂的AI需求。
现代游戏AI都比较偏向采用行为树作为决策结构。
有限状态机
有限状态机的一般实现是将每个状态写成类，再用一个载体（也就是所谓的状态机）管理这些状态的切换。
关于状态机设计模式的具体介绍，可参考我的另一篇博文：https://www.cnblogs.com/KillerAery/p/9680303.html
有限状态机的缺陷：
- 各个状态类之间互相依赖很严重，耦合度很高。
- 结构不灵活，可扩展性不高，难以脚本化/可视化。
行为树
可以看到，行为树由一个个节点组成
- 结构：树状结构
- 运行流程：从根节点开始自顶向下往下遍历，每经过一个节点就执行节点对应的功能。
我们规定，每个节点都提供自己的excute函数，返还执行失败/成功结果。
然后根据不同节点的执行结果，遍历的路径随之改变，而这个过程中遍历到什么节点就执行excute函数。
//节点类（基类）
class Node{
//...
public:
virtual bool excute() = 0; //执行函数，返还 成功/失败
//...
};
主流的行为树实现，将节点主要分为四种类型。
下面列举四种节点类型及其对应excute函数的行为：
- 控制节点（非叶节点），行为是控制遍历路径的走向。
- 条件节点（叶节点），行为是提供条件的判断结果。
- 行为节点（叶节点）：行为是执行智能体的行为。
- 装饰节点 ：行为是修饰（辅助）其他三类节点。
行为树 控制节点
控制节点是用于控制如何执行子节点（控制遍历路径的走向）。
由于非叶节点的特性，其需要提供容纳子节点的容器和添加子节点的函数。
所以先写好非叶节点的类：
class NonLeafNode : public Node {
std::vector<Node*> children; //子节点群
public:
void addChild(Node*); //添加子节点
virtual bool excute() = 0; //执行函数，返还 成功/失败
};
下面列出一些控制节点的介绍：
选择节点(Selector)
按顺序执行多个子节点，若成功执行一个子节点，则不继续执行下一个子节点。
举例：实现要不攻击,要不防御,要不逃跑。
用一个选择节点，按顺序添加<攻击节点>和<防御节点>和<逃跑节点>作为子节点。
class SelectorNode : public NonLeafNode{
public:
virtual bool excute()override{
for(auto child : children){
//如果有一个子节点执行成功，则跳出
if(child->excute() == true){break;}
}
return true;
}
};
顺序节点(Sequence)
按顺序执行多个子节点，若遇到一个子节点不能执行，则不继续执行下一个子节点。
举例：实现先开门再移动到房子里。
用一个顺序节点，按顺序添加<开门节点>和<移动节点>作为子节点。
class SequenceNode : public NonLeafNode{
public:
virtual bool excute()override{
for(auto child : children){
//如果有一个子节点执行失败，则跳出
if(child->excute() == false){break;}
}
return true;
}
};
并行节点（Parallel）
同时执行多个节点。
举例：一边说话和一边走路。
用一个并行节点，添加<说话节点>和<走路节点>作为子节点。
class ParallelNode : public NonLeafNode{
public：
virtual bool excute()override{
//执行所有子节点
for(auto child : children){
child->excute();
}
return true;
}
};
常用的控制节点一般是<并行节点><选择节点><并行节点>。当然还有其他更多控制节点种类(不常用)：
- 随机选择节点(随机执行一个子节点)。例如偶尔闲逛，偶尔停下来发呆。
- 随机顺序节点(随机顺序执行若干个子节点)
- 次数限制节点(只允许执行若干次)
- 权值选择节点(执行权值最高的子节点)
- 等等..
可能到这里，有想到还有个问题：为什么控制节点也需要提供(执行成功/执行失败)两种执行结果。
答：这样做就可以做到决策的复合——控制节点不仅可以控制行为节点，也能控制控制节点。
行为树 条件节点
前提条件
执行节点不会总是一帆风顺的，有成功也总会有失败的结果。
这就是引入前提条件的作用——
满足前提条件，才能成功执行行为，返还执行成功结果。否则不能执行行为，返还执行失败结果。
但是每个节点的前提总会不同，或有些没有前提(换句话说总是能满足前提)。
一个可行的做法是：让行为节点含有bool函数对象（或函数接口）。这样对于不同的逻辑条件，就可以写成不同的bool函数，绑定给相应的行为节点。
std::function<bool()> condition; //前提条件
现在比较成熟的做法是把前提条件抽象分离成新的节点类型，称之为条件节点。
将其作为叶节点混入行为树，提供条件的判断结果，交给控制节点决策。
它相当模块化,更加方便适用。
这里的Sequence节点是上面控制节点的一种：能够让其所有子节点依次运行，若运行到其中一个子节点失败则不继续往下运行。
这样可以实现出不满足条件则失败的效果。
class ConditionNode : public Node {
std::function<bool()> condition; //前提条件
public:
virtual bool excute()override {
return condition();
}
};
行为树 行为节点
行为节点是代表智能体行为的叶节点，其执行函数一般位该节点代表的行为。
行为节点的类型是比较多的，毕竟一个智能体的行为是多种多样的，而且都得根据自己的智能体模型定制行为节点类型。
这里列举一些行为：站立，射击，移动，跟随，远离，保持距离....
持续行为
一些行为是可以瞬间执行完的(例如转身?)，
而另外一些动作则是执行持续一段时间才能完成的(例如攻击从启动攻击行为到攻击结算要1秒左右的时间)。
因此，这些持续行为节点的excute函数里，应先启动智能体的持续行为，然后挂起该行为树（更通俗地说是暂停行为树），等到持续时间结束才允许退出excute函数并继续遍历该行为树。
为了支持挂起行为树而不影响其他CPU代码执行，我们往往需要利用协程等待该其行为完成而不产生CPU阻塞，而且开销远低于真正的线程。
此外，一般是一个行为树对应维护一个协程。
不了解协程是什么，可以参考下我的Unity协程笔记：Unity C#笔记 协程 - KillerAery - 博客园
行为节点示例实现
//行为节点类（基类）
class BehaviorNode : public Node{
public:
virtual bool excute() = 0; //执行节点
};
//举例：移动行为节点
class MoveTo : public BehaviorNode{
public:
virtual bool excute()override{
... //让智能体启动移动行为
... //协程暂时挂起直到持续时间结束
return true;
}
};
行为树 装饰节点
装饰节点，顾名思义，是用来修饰（辅助）的节点。
例如执行结果取反/并/或,重复执行若干次等辅助修饰节点的作用，均可做成装饰节点。
//取反节点
class InvertNode : public OneChildNonLeafNode{
public:
virtual bool excute()override{
return !child->excute();
}
};
//重复执行次数节点
class CountNode : public OneChildNonLeafNode{
int count;
public:
virtual bool excute()override{
while(--count){
if(child->excute() == false)return false;
}
return true;
}
};
OneChildNonLeafNode是指最多可拥有一个子节点的非叶节点类，这里就不做具体实现。
总结
到这里，我们可以看到行为树的本质：
- 把所有行为（走，跑，打，站等等）分离出来作为各种行为节点，
- 然后以不同的控制节点,条件节点,装饰节点将这些行为复合在一起，组合成一套复杂的AI。
相比较传统的有限状态机：
- 易脚本化/可视化的决策逻辑
- 逻辑和实现的低耦合，可复用的节点
- 可以迅速而便捷的组织较复杂的行为决策
这里并不是说有限状态机一无所用：
- 状态机可以搭配行为树：状态机负责智能体的身体状态，行为树则负责智能体的智能决策。这样在行为树做决策前，得考虑状态机的状态。
- 状态机适用于简单的AI：对于区区需两三个状态的智能，状态机解决绰绰有余。
- 状态机运行效率略高于行为树：因为状态机的运行总是在当前状态开始，而行为树的运行总在根开始，这样就额外多了一些要遍历的节点（也就多了一些运行开销）。
在《杀手：赦免》的人群系统里，人群的状态机AI只有简单的3种状态，由于人群的智能体数量较多，若采取行为树AI，则会大大影响性能。
简而言之：行为树是适合复杂AI的解决方案。
- 对于Unity用户，Unity商店现在已经有一个比较完善的行为树设计(Behavior Designer)插件可供购买使用。
Unity官方商店插件购买地址：Behavior Designer - Behavior Trees for Everyone - Asset Store
- Unreal4用户则可以免费使用引擎自带的行为树
额外
-
可让根节点记录该AI要操控的智能体引用（指针），每次进行决策，传给子节点当前要操控的智能体引用。这样就可以使AI行为树容易改变寄主。
(例如1个丧尸死了被释放内存了，寄生它的AI行为树不必释放并标记为可用。一旦产生新的丧尸，就可以给这个行为树根节点更换新的寄主，标记再改回来) -
得益于树状结构，重复执行次数节点（或其他类似的节点），可以让它执行完相应的次数后，解开与父节点的连接，释放自己以及自己的子节点。
-
共享节点型行为树是可供多个智能体共用的一种行为树，是节省内存的一种设计：http://www.aisharing.com/archives/563
-
LOD优化技术：LOD原本是3D渲染的优化技术。对于远处的物体，渲染面数可以适当减少，对于近处的物体，则需要适当增加细节渲染面数。
同样的可以用于AI上，对于远处的AI，不需要精准每帧执行，可以适当延长到每若干帧执行。
一个武装小队队员的AI行为树示例：
游戏AI 系列文章：https://www.cnblogs.com/KillerAery/category/1229106.html