阅读笔记-游戏开发中的人工智能-第4章-群聚
1. 基本群聚
这一节介绍的算法，来自于Craig Reynolds在1987年发表的论文《Flocks，Herds and Schools:A Distributed Behavioral Model》。在论文中，他提出算法原型仿真整群的鸟、鱼或其他生物。
这个算法的做出的行为非常类似水中的鱼群或成群的飞鸟。所有的“类鸟群”（指模拟的群体）可以同时朝同一方向移动，接着下一时刻，群聚形成的形体之尖端会转弯，而群体中其余的部分也会跟着转，形成的类鸟群在群体中传达转弯的行为，而形成波浪状。
算法的三个规则：
凝聚：每个单位都往其邻*单位的*均位置行动。
对齐：每个单位行动时，都要把自己对齐在其邻*单位的*均方向上。
分割：每个单位行动时，要避免撞上其邻*单位。
单位视野
两个参数决定每个单位的视野，半径R和角度θ。大的半径能让单位看到群体中的更多同伴，从而产生凝聚性更强的群体。也就是说，群体没有分裂成小群体的倾向。
对于较小的视野，可能会产生类似一队蚂蚁行进的效果。比如：仿真一群战斗机，可能会使用大角度。仿真一直军队鬼鬼祟祟跟踪某人，可能会用小角度。
图-单位的视野 图-宽视野与窄视野
2. 群聚实例
2.1 行进模式
这个实例考虑的是以物理机制为基础的范例，把每个单位视为刚体，通过在每个单位的前端施加转向力，来保证群聚的行进模式。每条规则都会影响施加的力，最终施加的力和方向是这些规则影响的综合。另外，需要考虑两件事：首先，要控制好每条规则贡献的转向力；其次，要调整行进模式，以确保每个单位都获得*衡。
对于避开规则：为了让单位不会彼此撞上，且单位根据对齐和凝聚规则而靠在一起。当单位彼此间距离够宽时，避开规则的转向力贡献就要小一点；反之，避开规则的转向力贡献就要大一些。对于避开用的反向力，一般使用反函数就够用了，分隔距离越大，得出的避开用转向力越小；分隔距离越小，得出的避开用转向力越大。
对于对齐规则：考虑当前单位当前方向，与其邻*单位间*均方向间的角度。如果该角度较小，我们只对其方向做小幅度调整，然而，如果角度较大，就需要较大的调整。为了完成这样的任务，可以把对齐用的转向力贡献，设定成和该单位方向及其邻*单位*均方向间的角度成正比。
2.2 邻*单位
凝聚，对齐，分隔三个规则要起作用的前提是得到每个当前单位的邻*单位。邻*单位就是当前单位视野范围内的单位，需要从角度和距离两方面进行判断。
首先根据角度检测，对于不同的视野检测方法是不同的（比如，宽视野，窄视野），下面的例子是对于宽广视野的检测
·计算d=目标单位位置-当前单位位置，w为d以目标单位反方向的坐标系中的向量坐标。
·如果w.y>0，则目标单位必然在视野范围内。
·如果w.y<0，则要看x，y坐标构成的线段斜率，是否在设定的视野区域之外，如果fabs(w.x)>fab(w.y)*_BACK_VIEW_ANGLE_FACTOR，则目标单位在视野范围内。其中的_BACK_VIEW_ANGLE_FACTOR就是视野角度系数。该系数等于1时，视野弧线的直线与x轴夹角是45度，该系数越大，两条线越接*x轴，不可见区域越大，反之，系数越小，两条线越接*y轴，不可见区域越小。
图-宽广视野
此外，书中还给出了有限视野（实际上就是个半圆）和狭窄视野（实际上是一个扇形）的角度检测方法。在经过角度检测后，还要检测距离。如果向量d的数值小于当前单位的长度与视野半径的乘积，即可以认为目标单位与当前单位足够接*。这样经过角度检测和距离检测的单位，就是当前单位的邻*单位。
2.3 凝聚
凝聚考虑的是当前单位的速度向量v和相对位置向量u，其中u=邻*单位的*均位置-当前单位的位置。
Pave = Pave / N; // 邻*单位的*均位置向量
v = Units[i].vVelocity; // 当前单位的速度向量
v.Normalize();
u = Pave-Units[i].vPosition; // 邻*单位*均位置向量与当前单位向量的差值，相对位置向量
u.Normalize();
w.VRotate2D(-Units[i].fOrientation, u);
if(w.x < 0) m = -1; // 相对位置向量（即u）在当前单位的右边，需要右转当前单位
if(w.x > 0) m = 1; // 相对位置向量（即u）在当前单位的左边，需要左转当前单位
if(fabs(v*u) < 1) // 确保反余弦函数可以正常运行
Fs.x += m * _STEERINGFORCE * acos(v * u) / pi;
// Fs.x使用的坐标系是应该也是前面刚刚转化过的坐标系
// acos(v*u):计算相对位置向量与当前单位的速度向量之间的夹角，除以pi是为了把弧度数值转化为标量
}
2.4 对齐
对齐考虑的是当前单位的速度向量v和邻*单位的*均速度向量u，其他部分与凝聚部分的代码都一样，很好理解。
Vave = Vave / N;
u = Vave; // 邻*单位的*均速度向量
u.Normalize();
v = Units[i].vVelocity;
v.Normalize();
w.VRotate2D(-Units[i].fOrientation, u);
if(w.x < 0) m = -1;
if(w.x > 0) m = 1;
if(fabs(v*u) < 1)
Fs.x += m * _STEERINGFORCE * acos(v * u) / pi;
}
图-邻*单位的*均位置和方向
2.5 分隔
前面的凝聚和对齐规则，都会尝试让单位相互靠*一点。使用的分别是（速度向量，位置向量）和（速度向量，速度向量）。
图-分隔
外层弧线是可见视野，内层弧线是最小分隔距离。
前面凝聚和对齐只需要计算*均位置，*均速度就可以了，但是对于分隔，需要当前单位与邻*的每个单位分别比较，对于进入最小间隔的单位，算出一个力，加到Fs.x上去。
部分代码如下：
if(d.Magnitude() <= Units[i].fLength * _SEPARATION_FACTOR) {
if(w.x < 0) m = 1; // 这里是分隔，方向与凝聚和对齐规则正好相反
if(w.x > 0) m = -1;
Fs.x += m * _STEERINGFOCE * (Units[i].fLength*_SEPARATION_FACTOR) / d.Magnitude(); // 分隔越小，力越大
}
}
3. 避开障碍物
要做的就是提供某种机制给单位使用，让他们能看到前方的障碍物，再施加适当的转向力，是其避开路径中的障碍物。
为了检测障碍物是否在某单位的路劲内，我们要借助机器人学，替我们的单位安装虚拟触角（feeler）。基本上，这些触角会处在单位的前方，如果触角碰到某种东西，就是那些单位要转向的时候了。模型的形式很多，比如可以装上三个触角，分别位于三个不同方向，不但能检测出是否有障碍物，而且检测该障碍物位于单位的那一侧。宽广的单位需要一个以上的触角，才能确保单位不会和障碍物碰撞。在3D游戏中，可以使用虚拟体积，以测定是否即将和某障碍物碰撞。总之，手段很多。
这一节，给出了一个避开圆形障碍物的实例。具体代码忽略。总之，对当前单位做出的改变都会表现在Fs.x上面。
4. 跟随领头者
基本群聚算法的三条规则，似乎让群体在游戏世界中随处闲逛，如果在其中加入领头者，就能让群体的移动更有目的性，或者看起来比较有智能。比如：战争模拟游戏中，计算机控制一群飞机追击玩家。可以让其中的一架作为领头者，其他飞机采用基本群聚规则跟着领头者跑。在和玩家发生混战时，可以适时关闭群聚规则，让飞机分散进攻。另一个实例，仿真一直军队，指定其中某个单位为领头者，可以让他们成横队或者纵队，采用宽广视野或有限视野模式，使其他单位采取群聚行为。
这一节给出的实例是通过某种规则确定领头者，这样即使领头者被玩家干掉了，或者由于某种原因脱离其群体，整个群体不会因此失去领导。
一旦领头者确定了之后，就可以通过若干规则和技巧，让领头者做一些事情，比如，追逐某物，或者逃命。
这一节给出的实例有点意思：把群体分成两类，一类单位的速度快一些，负责追击玩家，另一类速度慢一些，负责拦截玩家。两类分别找到各自的领头者，其他单位在自己的类别中，使用群聚算法。这样能够表现出，一组群体尾随在玩家之后，另一组群体从侧翼包抄的效果。
具体领头者寻找的方法是通过计算每个单位窄视野范围内邻*单位的个数，如果要成为领头者，必然个数为0，如果有多个单位的窄视野内都没有单位，这一点书中没有交代，个人认为随机选取一个应该都可以吧。
