用行为树和状态机去实现AI

一、大致思路是，通把AI思考过程拆解成树状结构的分层任务网络，根据环境条件动态选择行为，来‌模拟人类决策过程。

二、对象状态和定时器循环(或事件驱动)

1. 做AI思考的对象，主要有两个状态：空闲状态和 行为状态。

2. 对象会持续以定时器的方式，每隔一段时间做一次思考或者执行。

(1) 对象处于空闲状态的话，会进行思考，选择一套策略行为，然后进入行为状态。

(2) 对象处于行为状态的话，会执行操作，当执行完毕或被其他因素中断，就会重新回到空闲状态。

3. 事件驱动也能触发对象的思考或者执行，比如巡逻状态下被玩家攻击。

三、AI思考和执行的过程：

1. 从根节点开始，作为行为树的入口。

    根据对象所处的状态，选择进入下面哪一个子节点。比如攻击，还是巡逻。

2. 下一节点是策略选择。(选择器节点)

    对象可以选择什么策略，根据配置文件来决定。策略配置和条件配置是绑定一起的，根据条件来选择策略。

    条件可以是多个，多个条件以 与或非 的方式来做逻辑判定。

(1) 如果找到一个匹配的策略的话就直接选择

(2) 如果有多个策略都匹配的话就根据优先级和权重随机选择一个。

(3) 如果一个匹配上的策略都没有的话，就选兜底默认策略。

    选择好策略之后，进入下一个节点。

3. 下一节点是执行行为。(序列节点)

    对象可以执行什么行为，根据配置文件来决定。策略配置和行为配置是绑定一起的。选择好行为之后，对象就进入行为状态。

(1) 行为可以是多个，对象以序列的方式去依次执行。

(2) 每执行完一个行为，就会记录一个子状态。这个子状态可以支持执行行为的重入逻辑。

(3) 执行行为可以不是一次性的，可以再后面的定时器循环里，多次重入，持续执行行为。

(4) 进入行为状态后的定时器循环间隔时间，可以动态改小，增强表现效果。

(5) 全部行为执行完毕之后，对象从 行为状态 切换回 空闲状态，等待下一次思考和选择策略。

四、性能消耗关键环节

   多个对象都以定时器的方式，定时执行策略选择或者执行行为，会消耗大量的CPU性能。选择合适的间隔时间是关键。也可以以分布式的方式，把AI思考的负载分到其他服务器。