Language
Country/Area
No result found
隐藏的数学魔法：为什么《模拟人生》的NPC如此逼真？
在当今的电子游戏世界中，非玩家角色（NPC）的行为设计对于提升游戏的沉浸感至关重要。而《模拟人生》系列游戏中，NPC的行为生动且具有人性化，这一切背后是一个隐藏得不易察觉的数学魔法——效用系统。
效用系统是一种简单而有效的方式，用于为非玩家角色建模行为。
效用人工智慧（Utility AI）依赖于数字、公式和分数来评估可行动作的相对好处。这意味着每个行动都有一个效用评分，进而选择得分最高的行为。这种数学建模方法的优势在于，它能够有效地处理大量行为，而这些行为的相互作用和优先级则由系统自动决定。
关键概念
效用的概念由来已久，早在几个世纪前便已存在于数学相关领域，尤其是经济学。然而，这一概念也广泛应用于心理学、社会学，甚至生物学中。随着电脑程式设计的发展，将行为转换为数学模型的需求，使得效用系统成为游戏角色行为设计的自然选择。
与其他类型的游戏人工智慧架构相比，效用人工智慧的最大优势在于其设计的灵活性。
许多游戏人工智慧架构需要开发人员手动指定优先级和行为序列，例如行为树（Behavior Trees）。而在效用系统中，行为的优先级则是根据数学模型自动生成，这大大减轻了开发人员的负担。
早期使用
数字、公式和分数在游戏中定义行为的做法已经持续了几十年。早期简单的做法便是在每项动作上定义一定的概率，例如“执行动作X的百分比机率为12%”。然而，直到21世纪初，这种方法才开始演变为一种更为正式的称为“效用人工智慧”的形式。
行为的数学建模
在《模拟人生》（The Sims, 2000）中，NPC的当前“需求”（如休息、食物、社交活动）与可以满足该需求的物体或活动的评分相结合，从而生成一个行动分数，告诉模拟人该做什么。这是效用AI在游戏中的首次可见应用，尽管玩家无法看到计算过程，但他们能够感知模拟人的需求变化及其所需满足物品的不同满意度。
《模拟人生》系列展示了效用AI的核心玩法机制。
在《模拟人生3》（The Sims 3, 2009）中，理查德·埃文斯使用了一种改进的玻耳兹曼分布来为模拟人选择行动，这个过程使得当模拟人快乐时，他们的“温度”较低，而当模拟人情况不佳时，则较高，从而使低效用的行为更具抽选机会。他还将“个性”融入模拟人，使得不同的NPC可以根据他们的内心需求和驱动力，在相似情况下做出不同反应，形成一种三元模型。
效用系统的发展
随着时间的推进，效用系统的应用也不断演变。戴夫·马克 (Dave Mark)的著作《游戏人工智慧的行为数学》详细描述了如何从数学的角度理解行为，包括反应曲线（将变化的输入变量转换为输出变量）等概念。他与凯文·迪尔在2010年的游戏开发者大会（GDC）上，发表了许多有关效用理论的讲座，使得效用AI成为与有限状态机（FSMs）、行为树和计画者一同被广泛提及的架构。
不仅仅是《模拟人生》，许多游戏都从效用AI中获益。
此外，开发者还尝试将效用计算与现有架构整合。例如比尔·梅里尔（Bill Merrill）在书籍《游戏人工智慧专业》中撰写了一篇文章，介绍如何将效用决策引入现有的行为树，使其成为一种强大的混合系统。
随着效用系统的进一步发展，未来的NPC会如何利用这种数学魔法来提供更身临其境的游戏体验？
