“我不仅使用我自己拥有的智力，而且借用能借到的所有智力.”
——伍德罗 威罗逊
（书中开头的这句话很棒吧！和《劝学》中的“君子生非异也，善假与物也.”同样的道理！嘻嘻.）
1 情境
“实际上，不好的人工智能设计往往是从错误的目标开始的。”
A*算法太聪明，太智能，但是很不真实，“因为太聪明而不人性化的人工智能
会使游戏不好玩。”人工智能设计要保持一定的缺陷！玩家才不会沮丧。
不能太聪明，也不能太笨。
2人工智能系统结构：1.主体（Agent），2.抽象控制器。
对于1，要按照生物结构真实的建模其行为。因此这些人工智能的构造方式
与大脑类似，容易确定其4个元素和规则：感知或输入系统、工作记忆，推理/分析
内核、动作输出系统。
对于2，以战略游戏为例子，AI有个主控制器-程序的集合，对总体系统提供必要的
小组动态机制。
1.有限状态机：
（1）AI规则
在指定AI的行为这个阶段，一定要做彻底，因为咋中途解决AI问题是很麻烦的，
因为本来就是后期跟蜘蛛网一样复杂的东西，如果前期不想彻底，后面又加入一个，
很麻烦的。先记下AI的基本行为，然后用图形表示，在变成实际执行的代码。
生成有限状态机时最大的错误之一是立即开始编写代码。随着状态机的增大，
很难记住所有状态与变换的全貌，通常会得到一个笨拙的AI，不能如期工作。设计时，
花点时间画出简单框图是非常必要的。可以把框图和其他项目文档一起保存起来，
供日后使用，以便AI再利用，而且可以直观的看到AI的行为。
2.并行自动机：
如果要建模复杂行为时，经典有限状态机会增长很快，变得笨拙和不好管理。
更糟糕的是，有事要增加一些行为，发现每增加一步都使有限状态机的长度翻一番。
有限状态机是个很好的工具，但是伸缩起来不一定容易，因此这个模型需要一些扩展，
为了可以更好的控制复杂的AI系统。
最常见方法利用并行自动机。其实就是把大问题分解成小问题的思想。
比如一个士兵，一个行动管理AI，一个枪支的AI。把问题分解会更简单。两个
大脑并行工作。
在设计时，独立是关键。应该尽量使自动机保持独立，这样更安全。避免之间的
互相影响造成死锁。
状态机共享信息，总体行为 = A+B;
3.同步有限状态机（群通信！！）：
比如在玩三角洲的时候，就是两三个人一起行动，我是玩家，还有两个小伙伴
在我周围掩护我，这便是状态机之间的通信。使几个AI可以配合工作。
这被称为“小组AI”！被认为是动作AI的飞跃。
同步AI的核心是：共享内存区，所有的自动机可以读取和写入数据。
实现AI间的通信方法：
1.公告牌体系结构（简单）
利用公告牌（共享内存区），其他AI定时浏览获得与自己相关的信息，做出改变。
2.消息传递体系结构——互相发送信息（繁杂！）
4.非确定性自动机（NDFA）
就是在经典的有限状态机上加入一些随机性，这样即使玩了很久仍然具有挑战性。
例如，在做士兵巡逻时，发现玩家的话，他可以选择追赶也可以选择射击。引入一定的
随机性。
这种随机在许多AI使用同意状态机的游戏中非常有用。
若没有这种随机则感觉整个太机械！太生硬。
NDFA对小组AI非常重要，可以减少同质性，使完成同一任务时不会千篇一律。
6.3.2规则系统(RS)：当行为转换变得模糊无序的时候，RS可以建模任何很难用
有限状态机建模的行为。其实就是多加了一些条件判断if(a&&b)action;
实现：
1.决策树
编制一个规则系统，最简单的方法就是用决策树编码系统。
就是大量的if-else。
2.符号规则系统
脚本语句，用符号表示。
规则系统顺序分析规则，直到找到一条成立的规则。
如果需要判断的规则太多，则问题就出来了，会影响AI代码的执行时间，进而影响
帧速率变化，这是很不好的现象。
显然，要用结构化方式排列规则系统，使执行时间相对独立于可采取的路径，最好的
方法：1982年C.L.Forgy提出的Rete算法。
Rete算法部分思想：消除第一次迭代后重新求值规则系统的工作。
Rete算法利用了两个事实：
1.激活一条规则通常只改变几个事实。
2.同一事实与模式通常会在多条规则的左边出现。
Rete用一个有向无限图在内存中表示事实，把规则激活的事实加入新图中。也可以
删除事实或者修改事实。图中每个节点表示一个模式，然后，通过追踪从根到叶的路径
，就可以取出规则的左边部分。
重复事实通常是两个规则共享的事实。在算法中，通常合并这些事实，从而消除
事实冗杂度。还要消除重复操作，因此要缓存多条规则中的重复部分！
6.3.3规划与解题
状态机和规则集是建模简单行为的重要机制。如果问题可以用序列和短话表达,则显然
可以使用状态机。
在解决一些更难的问题的时候，状态机和规则集就不行了，比如说下棋、解谜。
棋的性质是预测算法，分析一些列操作的可能结果，然后想办法超越对手的能力。
这时需要增加一些强有力的工具来帮助分析问题：
1.状态空间搜索：这是一个非常强大的机制，可以生成战略和规划，将动作传递到未来
，评估其后果。他把游戏表示成树，将各种可能的配置表示成树的节点，动作表示成节点
间的分支。给定初始状态和目标状态后，就可以用各种方法找到从一个点到另一个点的
最佳路径（和运动序列）。
2.目标状态：盲目搜索：强力搜索所有的动作。A*算法：获得更多的问题的信息，
使可以不完全搜索也能找到最优解。A*是大多数问题的最优算法。
6.3.4 生物灵感人工智能（Very Nice！！！！）
1.基因编程。
基因编码也可以用于游戏AI：生成相似但有变化的个体。
基因编程不限于生物，也可以用DNA编码表示城市风光，使每个房子使用核心
房子标准基因编码的变形。甚至可以得到不同样子与素质的邻居。（甚至可以得到与什么样
的素质的邻居的概率百分比！cool!根据这些概率，周围放什么商店容易赚钱....）
每个人的特点代码化，然后组合....很简单！
2.进化计算：
现在要实现达尔文的自然选择理论，这比简单的基因计算复杂一些，要用生态系统
测试每个个体和测量其性能和适应性。这样，适者生存，不适者亡（成为null指针）。
通过对选择过程的迭代，就可以使更适合的生物最终居领导地位。
这部分好棒感觉！！！！哈哈！！
下面是达尔文系统的一般布局：
1.用随机DNA编码生成前N个个体。
2.对其进行适应性测试。
3.选择最好的一些。
4.生成N个后代，条件如下：
1.父代DNA编程线性组合。
2.变异。
5.再回到2，直到达到所要的代码数。
设定一个“筛子系统”，标准自己定，然后对物种进行筛选。
建立一个进化测试器并运行几代，培育出良好的驾驶员，随着代数的增加，驾驶
方式之间的差异越来越小，汇聚成稳定的基本完美的驾驶风格。因此，很难选择最佳物质。
变异非常重要，保证通过产生不同的个体，有可能找到不同的进化方式，到达
当前带无法到达的=更加适应性值。
模糊逻辑、贝叶氏神经、神经网络都属于生物灵感人工智能。
以上是我对这章的知识的一些基本整理。
（进化不错啊，一定要亲自实现一下，改天做完贴出代码，嘻嘻）