深入 GalCon：Python、游戏开发和人工智能

Alex. J. Champandard

赖勇浩（http://laiyonghao.com）译

原文地址：http://aigamedev.com/open/interviews/inside-galcon-python-ai/

AiGameDev.com在这个周一的 pratical insights 是对Phil Hassey采访。Phil 是一个独立游戏开发者，也是游戏产业社区的活跃分子。他曾赢得2006年4月的 Ludum Dare 比赛（这个比赛关注群体行为），结果就是产生了名为 GalCon 的非常流行的游戏——上世纪 80 年代叫 Galactic Conquest 的游戏的复刻版。我最近经常跟 Phil 通 email，问他很多关于 Galcon 的问题，比如人工智能、用 Python 开发游戏等。你可以在访问他的网站或 GalCon 的网站找到关于他的项目的更多的信息。此外，还可以下载游戏的demo 。

截图1：Ludum Dare 比赛的参赛作品。

Alex Champandard：您好，Phil，感谢您抽出时间来回答这些问题！您能否简要地介绍自己，以及关于成为游戏开发者的背景呢？

Phil Hassey：我自 10 岁以来就一直在制作游戏。我想大概是因为我没有其它事情可做 :)，我最喜爱的语言是Python，所有的游戏都是用它开发的。当然我也用 C 写性能敏感的东西，也基于 PHP 来开发 Web 项目。我的游戏大部分都是开源的，我写了不少适用于游戏开发的开源工具/库。

Phil Hassey 开发的游戏：

Imitation Pickles — Games

AC：Galcon 创意从何而来的呢？能否向不知道这个游戏的读者简单地介绍一下这个游戏？

PH：2006年4月有一个48小时的游戏开发竞赛称为Ludum Dare。比赛主题是群体，而且我一直希望再度缔造“银河征服”风格的游戏，所以我尝试实现飞船群。游戏的原型在48个小时内做出来并赢得了比赛。后来我接受了大家的鼓励，继续开发，然后就有了 GalCon。

Phil Hassey 的相关材料：

The Glorious History of Galcon

AC ：这些飞船是游戏的重要组成部分，我很好奇你如何实现它们的。是否基于 Craig Reynold 的操控行为理论？需要实现很多特定的算法吗？

PH：其实算法很简单-给所有的飞船指定目的地即可。然后执行碰撞检测，让它们腾出地方。

AC ：模拟这么多的飞船，你遇到性能问题了吗？如果是遇到过，又是如何解决这些问题的呢？

PH：当然遇过。以前的版本一屏上最多能有 4096 个元素，而我用的又是蛮力碰撞检测。所以在某些情况下，速度就变得相当慢了。当前版本的最大值是2048，并且使用了网格细分屏幕的碰撞检测算法。在把飞船放到屏幕上的时候，我也用来些心思来初始化它们的显示，以避免太多的碰撞。在原始版本中我把它们都放在一个中心点（行星的圆心），然后让它们慢慢地扩散，这产生了非常昂贵的检测代价。

截图2：在 GalCon 的完整版本中可以选择多个 Missions 和多种 AI 机器人。

AC：请问你是如何实现机器的 AI 的？你是先构建了游戏的大部分，还是迭代改进的？

PH：在那 48 个小时里，我把大部分时间花在如何让数学和图形整合在一起的事情上。AI 是最后几个小时里实现的。

AC ：在开发过程中，你觉得 AI 有用吗？例如，用来调整参数？

PH：并非如此。来自玩家真实体验的反馈更加有用。

AC ：Galcon 的玩法看似相当简单，但要找到一个最佳的策略并不容易！在实现 AI 的时候你用到了哪些游戏理论？

“尝试实现神经网络有助于认清确定决策所需的信息。”

PH：制作最终版本的时候我在 AI 上花了相当长的时间。无数简单的更改自不待言，我甚至还花了一个星期来弄神经网络，但没有任何进展。不过尝试实现神经网络帮助我理清了实现 AI 决策的所需的信息。我在游戏中的机器人上使用了许多新学到的东西。我仍然在开发一些新的机器人，并发现阅读 Galcon 攻略极其有用。我已经实施了一些战略，也创造了一些非常具有挑战性的机器人。有些策略看上去似乎有反直觉，但他们的工作非常好。在某些场景中体验某种特定的 AI 非常有趣,比如多人游戏中加入一个新手级的机器人，这种机器人在公平的比赛中非常容易击败它，但如果给机器人 30 个星球，你只有 2 个，那么玩家就必须正视这个新手，才能赢取比赛。

相关的网页：